WO2021181975A1 - 音信号ダウンミックス方法、音信号符号化方法、音信号ダウンミックス装置、音信号符号化装置、プログラム及び記録媒体 - Google Patents

音信号ダウンミックス方法、音信号符号化方法、音信号ダウンミックス装置、音信号符号化装置、プログラム及び記録媒体 Download PDF

Info

Publication number
WO2021181975A1
WO2021181975A1 PCT/JP2021/004640 JP2021004640W WO2021181975A1 WO 2021181975 A1 WO2021181975 A1 WO 2021181975A1 JP 2021004640 W JP2021004640 W JP 2021004640W WO 2021181975 A1 WO2021181975 A1 WO 2021181975A1
Authority
WO
WIPO (PCT)
Prior art keywords
channel
sound signal
channels
downmix
signal
Prior art date
Application number
PCT/JP2021/004640
Other languages
English (en)
French (fr)
Inventor
亮介 杉浦
守谷　健弘
優 鎌本
Original Assignee
日本電信電話株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from PCT/JP2020/010081 external-priority patent/WO2021181473A1/ja
Priority claimed from PCT/JP2020/010080 external-priority patent/WO2021181472A1/ja
Application filed by 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to US17/909,677 priority Critical patent/US20230106832A1/en
Priority to JP2022505843A priority patent/JP7380834B2/ja
Publication of WO2021181975A1 publication Critical patent/WO2021181975A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • 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
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/008—Multichannel audio signal coding or decoding using interchannel correlation to reduce redundancy, e.g. joint-stereo, intensity-coding or matrixing

Definitions

  • the present invention encodes a sound signal in monaural, encodes a sound signal by using both monaural coding and stereo coding, processes a sound signal in monaural, and makes a stereo sound signal into a monaural sound signal.
  • the present invention relates to a technique for obtaining a monaural sound signal from a sound signal of a plurality of channels in order to perform signal processing using the above.
  • Patent Document 1 There is a technique of Patent Document 1 as a technique of obtaining a monaural sound signal from a two-channel sound signal and embedding coding / decoding the two-channel sound signal and the monaural sound signal.
  • a monaural signal is obtained by averaging the input left channel sound signal and the input right channel sound signal for each corresponding sample, and the monaural signal is encoded (monaural coding).
  • To obtain a monaural code decode the monaural code (monaural decoding) to obtain a monaural local decoding signal, and for each of the left channel and the right channel, the input sound signal and the prediction signal obtained from the monaural local decoding signal.
  • a technique for encoding the difference between and (predicted residual signal) is disclosed.
  • a signal obtained by giving a delay to a monaural locally decoded signal and giving an amplitude ratio is used as a prediction signal, and a delay and amplitude ratio that minimizes the error between the input sound signal and the prediction signal.
  • From the input sound signal either select a prediction signal with, or use a prediction signal with a delay difference and amplitude ratio that maximizes the intercorrelation between the input sound signal and the monaural locally decoded signal.
  • the coding efficiency of each channel can be improved by optimizing the delay and the amplitude ratio given to the monaural locally decoded signal when the prediction signal is obtained.
  • the monaural locally decoded signal is obtained by encoding and decoding the monaural signal obtained by averaging the sound signal of the left channel and the sound signal of the right channel. That is, the technique of Patent Document 1 has a problem that it is not devised to obtain a monaural signal useful for signal processing such as coding processing from sound signals of a plurality of channels.
  • An object of the present invention is to provide a technique for obtaining a monaural signal useful for signal processing such as coding processing from a sound signal of a plurality of channels.
  • One aspect of the present invention is a sound signal downmix method for obtaining a downmix signal which is a monaural sound signal from input sound signals of N channels (N is an integer of 3 or more), and is included in N channels.
  • the interchannel correlation value which is a value between 0 and 1 indicating the magnitude of the correlation between the input sound signals of the two channels, and the input sound signals of the two channels.
  • each sample of the downmix signal is x M (t)
  • the set of channel numbers of the channels preceding the i-channel is I Li.
  • the set of channel numbers of the channels following the i-channel is I Fi
  • the i-channel and the i-channel The inter-channel correlation value for each combination of each preceding channel j is set to ⁇ ij, and the i-channel and the i-channel for each i-channel are followed.
  • the interchannel correlation value for each combination of each channel k is ⁇ ik
  • the weight for each i-th channel is set.
  • One aspect of the present invention is a sound signal coding method, which has the sound signal downmix method as a sound signal downmix step, and encodes the downmix signal obtained by the downmix step to obtain a monaural code. It is characterized by having a coding step and a stereo coding step for encoding input sound signals of N channels to obtain a stereo code.
  • a monaural signal useful for signal processing such as coding processing can be obtained from sound signals of a plurality of channels.
  • the two-channel sound signal which is the target of signal processing such as coding processing, was obtained by AD conversion of the sound picked up by each of the microphone for the left channel and the microphone for the right channel arranged in a certain space. It is often a digital sound signal.
  • what is input to the device that performs signal processing such as coding processing is a digital sound signal obtained by AD conversion of the sound picked up by the left channel microphone arranged in the space.
  • It is a right channel input sound signal which is a digital sound signal obtained by AD conversion of a certain left channel input sound signal and the sound picked up by a microphone for the right channel arranged in the space.
  • the sound emitted by each sound source existing in the space reaches the arrival time from the sound source to the microphone for the left channel and the sound source to the microphone for the right channel. It is included in a state where the difference between the arrival time and the arrival time (so-called arrival time difference) is given.
  • a signal obtained by giving a delay to a monaural local decoding signal and giving an amplitude ratio is used as a prediction signal, and a prediction signal is subtracted from an input sound signal to obtain a prediction residual signal for prediction.
  • the residual signal is the target of encoding / decoding. That is, for each channel, the more similar the input sound signal and the monaural local decoding signal are, the more efficiently the coding can be performed.
  • the monaural locally decoded signal is When the monaural signal obtained by averaging the left channel sound signal and the right channel sound signal is encoded / decoded, it becomes a monaural locally decoded signal for both the left channel sound signal and the right channel sound signal.
  • the same sound source contains only the sound emitted by the same sound source, the degree of similarity between the left channel sound signal and the monaural locally decoded signal is not extremely high, and the similarity between the right channel sound signal and the monaural locally decoded signal is not very high. The degree of is not extremely high. In this way, if a monaural signal is obtained by simply averaging the left channel sound signal and the right channel sound signal, it may not be possible to obtain a monaural signal useful for signal processing such as coding processing.
  • the sound signal of the first embodiment is to perform the downmix processing in consideration of the relationship between the left channel input sound signal and the right channel input sound signal so that a monaural signal useful for signal processing such as coding processing can be obtained. It is a downmix device.
  • the sound signal downmix device of the first embodiment will be described.
  • the sound signal downmix device 401 of the first example includes the left-right relationship information estimation unit 183 and the downmix unit 112.
  • the sound signal downmix device 401 obtains and outputs a downmix signal, which will be described later, from the input sound signal in the time domain of the 2-channel stereo, for example, in frame units having a predetermined time length of 20 ms.
  • the sound signal input to the sound signal downmix device 401 is a sound signal in the time region of 2-channel stereo. For example, it is obtained by collecting sounds such as voice and music with each of two microphones and performing AD conversion.
  • the downmix signal which is a monaural sound signal in the time domain obtained by the sound signal downmix device 401, is input to at least a coding device that encodes the downmix signal or at least a signal processing device that processes the downmix signal. ..
  • the sound signal downmix device 401 has the left channel input sound signal x L (1), x L (2), ..., x L (T) and the right channel in frame units.
  • the input sound signal x R (1), x R (2), ..., x R (T) is input, and the sound signal downmix device 401 uses the downmix signal x M (1), x M (on a frame-by-frame basis). 2), ..., x M (T) is obtained and output.
  • T is a positive integer, for example, if the frame length is 20 ms and the sampling frequency is 32 kHz, T is 640.
  • the sound signal downmix device 401 of the first example performs the processing of step S183 and step S112 illustrated in FIG. 2 for each frame.
  • the left channel input sound signal input to the sound signal downmix device 401 and the right channel input sound signal input to the sound signal downmix device 401 are input to the left-right relationship information estimation unit 183.
  • the left-right relationship information estimation unit 183 obtains and outputs the left-right correlation value ⁇ and the preceding channel information from the left channel input sound signal and the right channel input sound signal (step S183).
  • the preceding channel information corresponds to whether the sound emitted by the main sound source in a certain space reaches the microphone for the left channel arranged in the space or the microphone for the right channel arranged in the space earlier.
  • the preceding channel information is information indicating whether the same sound signal is included in the left channel input sound signal or the right channel input sound signal first.
  • the same sound signal is included in the left channel input sound signal first, it is said that the left channel precedes or the right channel follows, and the same sound signal precedes the right channel input sound signal.
  • the right channel is leading or the left channel is following, and the leading channel information is information indicating which channel, the left channel or the right channel, is leading. be.
  • the left-right correlation value ⁇ is a correlation value considering the time difference between the left channel input sound signal and the right channel input sound signal. That is, the left-right correlation value ⁇ is a sample sequence of the input sound signal of the preceding channel, a sample sequence of the input sound signal of the trailing channel at a position shifted behind the sample sequence by ⁇ sample, and the like. It is a value indicating the magnitude of the correlation of. In the following, this ⁇ is also referred to as a left-right time difference. Since the preceding channel information and the left-right correlation value ⁇ are information representing the relationship between the left channel input sound signal and the right channel input sound signal, they can be said to be left-right relationship information.
  • the left-right relationship information estimation unit 183 uses a predetermined ⁇ max to ⁇ min (for example, ⁇ max is a positive number, ⁇ .
  • ⁇ max is a positive number, ⁇ .
  • ⁇ cand min is a negative number
  • ⁇ cand a sample sequence of the left channel input sound signal and a sample of the right channel input sound signal located behind the sample sequence by the number of each candidate sample number ⁇ cand.
  • the left-right relationship information estimation unit 183 obtains and outputs information indicating that the left channel is ahead as the leading channel information.
  • the information indicating that the right channel is ahead may be obtained and output as the leading channel information, but the information indicating that none of the channels is leading may be obtained and output as the leading channel information. It is good to do.
  • one or more samples of the past input sound signals continuous with the sample sequence of the input sound signals of the current frame may also be used.
  • the past The sample sequence of the input sound signal of the frame may be stored in a storage unit (not shown) in the left-right relationship information estimation unit 183 for a predetermined number of frames.
  • the correlation value using the signal phase information may be set as ⁇ cand as follows.
  • the left-right relationship information estimation unit 183 first determines the left channel input sound signal x L (1), x L (2), ..., x L (T) and the right channel input sound signal x R (1). ), X R (2), ..., x R (T) from 0 to T-1 by Fourier transforming each of them as shown in the following equations (1-1) and (1-2). Obtain the frequency spectra X L (k) and X R (k) at each frequency k of.
  • the left-right relationship information estimation unit 183 uses the frequency spectra X L (k) and X R (k) at each frequency k obtained by the equations (1-1) and (1-2) as follows.
  • the spectrum ⁇ (k) of the phase difference at each frequency k is obtained by the equation (1-3) of.
  • the left-right relationship information estimation unit 183 then performs an inverse Fourier transform on the spectrum of the phase difference obtained by the equation (1-3), from ⁇ max to ⁇ min as shown in the following equation (1-4).
  • the phase difference signal ⁇ ( ⁇ cand ) is obtained for each candidate sample number ⁇ cand.
  • the absolute value of the phase difference signal ⁇ ( ⁇ cand ) obtained by Eq. (1-4) is the left channel input sound signal x L (1), x L (2), ..., x L (T) and Since it represents a kind of correlation corresponding to the plausibility of the time difference of the right channel input sound signal x R (1), x R (2), ..., x R (T), the left-right relationship information estimation unit 183 uses the absolute value of this phase difference signal ⁇ ( ⁇ cand ) for each candidate sample number ⁇ cand as the correlation value ⁇ cand .
  • the left-right relationship information estimation unit 183 obtains and outputs the maximum value of the correlation value ⁇ cand , which is the absolute value of the phase difference signal ⁇ ( ⁇ cand ), as the left-right correlation value ⁇ , and outputs the maximum value when the correlation value is the maximum value.
  • ⁇ cand is a positive value
  • information indicating that the left channel is leading is obtained and output as leading channel information
  • ⁇ cand is a negative value when the correlation value is the maximum value.
  • Information indicating that the right channel is ahead is obtained and output as the leading channel information.
  • the left-right relationship information estimation unit 183 may obtain and output information indicating that the left channel is ahead as the leading channel information.
  • the left-right relationship information estimation unit 183 uses the absolute value of the phase difference signal ⁇ ( ⁇ cand ) as it is as the correlation value ⁇ cand , for example, the absolute value of the phase difference signal ⁇ ( ⁇ cand ) for each ⁇ cand.
  • a normalized value such as a relative difference from the average of the absolute values of the phase difference signals obtained for each of the plurality of candidate samples before and after ⁇ cand may be used.
  • the left-right relation information estimation unit 183 obtains an average value by the following equation (1-5) for each ⁇ cand using a predetermined positive number ⁇ range , and the obtained average value ⁇ c (
  • the normalized correlation value obtained by the following equation (1-6) using ⁇ cand ) and the phase difference signal ⁇ ( ⁇ cand ) may be used as ⁇ cand.
  • the normalized correlation value obtained by Eq. (1-6) is a value of 0 or more and 1 or less, ⁇ cand is so close to 1 that it is plausible as a left-right time difference, and ⁇ cand is not plausible as a left-right time difference. It is a value showing a property close to 0.
  • the left channel input sound signal input to the sound signal downmix device 401, the right channel input sound signal input to the sound signal downmix device 401, and the left-right relationship information estimation unit 183 were output to the downmix unit 112.
  • the left-right correlation value ⁇ and the preceding channel information output by the left-right relationship information estimation unit 183 are input.
  • the downmix unit 112 includes the downmix signal so that the input sound signal of the preceding channel of the left channel input sound signal and the right channel input sound signal is included more as the left-right correlation value ⁇ is larger.
  • the left channel input sound signal and the right channel input sound signal are weighted and averaged to obtain a downmix signal and output (step S112).
  • the downmix unit 112 uses a weight determined by the left-right correlation value ⁇ for each corresponding sample number t to use the left channel input sound signal x L (
  • the downmix signal x M (t) may be obtained by weighting and adding t) and the right channel input sound signal x R (t).
  • the downmix signal has a left channel input as the left-right correlation value ⁇ is smaller, that is, the correlation between the left channel input sound signal and the right channel input sound signal is smaller. It is closer to the signal obtained by averaging the sound signal and the right channel input sound signal, and the larger the left-right correlation value ⁇ , that is, the larger the correlation between the left channel input sound signal and the right channel input sound signal, the more the left channel input sound signal and the right. It is close to the input sound signal of the preceding channel among the channel input sound signals.
  • ⁇ Second example ⁇ For example, when a device other than the sound signal downmix device performs stereo coding processing on the left channel input sound signal and the right channel input sound signal, the left channel input sound signal and the right channel input sound signal are combined with the sound signal downmix device. Is a signal obtained by stereo decoding processing by another device, and in some cases, the same left-right correlation value ⁇ and one or both of the preceding channel information obtained by the left-right relation information estimation unit 183 are down. It may be obtained by a device different from the mixing device. If either or both of the left-right correlation value ⁇ and the preceding channel information are obtained by another device, the sound signal downmixing device is provided with one of the left-right correlation value ⁇ and the preceding channel information obtained by another device.
  • both may be input so that the left-right relationship information estimation unit 183 obtains the left-right correlation value ⁇ or the preceding channel information that has not been input to the sound signal downmix device.
  • the left-right relationship information estimation unit 183 obtains the left-right correlation value ⁇ or the preceding channel information that has not been input to the sound signal downmix device.
  • the sound signal downmix device 405 of the second example includes the left-right relationship information acquisition unit 185 and the downmix unit 112.
  • the sound signal downmix device 405 in addition to the left channel input sound signal and the right channel input sound signal, as shown by the alternate long and short dash line in FIG. 3, either the left-right correlation value ⁇ obtained by another device or the preceding channel information is used. Or both may be entered.
  • the sound signal downmix device 405 of the second example performs the processes of steps S185 and S112 illustrated in FIG. 4 for each frame. Since the downmix unit 112 and the step S112 are the same as those in the first example, the left-right relationship information acquisition unit 185 and the step S185 will be described below.
  • the left-right correlation value ⁇ which is a value indicating the magnitude of the correlation between the left channel input sound signal and the right channel input sound signal, and which of the left channel input sound signal and the right channel input sound signal precedes.
  • the preceding channel information which is information indicating whether or not the signal is generated, is obtained and output (step S185).
  • the left-right relationship information acquisition unit 185 is the sound signal downmix device as shown by the alternate long and short dash line in FIG.
  • the left-right correlation value ⁇ and the preceding channel information input to 405 are obtained and output to the downmix unit 112.
  • the left-right relationship information acquisition unit 185 When either the left-right correlation value ⁇ or the preceding channel information is not input to the sound signal downmix device 405 from another device, the left-right relationship information acquisition unit 185 has a left-right relationship as shown by a broken line in FIG.
  • the information estimation unit 183 is provided.
  • the left-right relationship information estimation unit 183 of the left-right relationship information acquisition unit 185 uses the left-right correlation value ⁇ that is not input to the sound signal downmix device 405 or the preceding channel information that is not input to the sound signal downmix device 405 as the first example. It is obtained from the left channel input sound signal and the right channel input sound signal and output to the downmix unit 112 in the same manner as the left-right relation information estimation unit 183.
  • the left-right relationship information acquisition unit 185 displays the sound as shown by a single point chain line in FIG.
  • the left-right correlation value ⁇ input to the signal downmix device 405 or the preceding channel information input to the sound signal downmix device 405 is output to the downmix unit 112.
  • the left-right relationship information acquisition unit 185 is the left-right relationship information estimation unit as shown by the broken line in FIG. 183 is provided.
  • the left-right relationship information estimation unit 183 obtains the left-right correlation value ⁇ and the preceding channel information from the left channel input sound signal and the right channel input sound signal in the same manner as the left-right relationship information estimation unit 183 of the first example, and the downmix unit 112. Output to. That is, it can be said that the left-right relationship information estimation unit 183 and step S183 of the first example are in the categories of the left-right relationship information acquisition unit 185 and step S185, respectively.
  • the first embodiment In the sound signal downmixing devices 401 and 405, for each nth channel, the greater the correlation between the input sound signal of the channel following the nth channel and the input sound signal of the nth channel, the greater the correlation between the input sound of the nth channel and the input sound of the nth channel.
  • the downmix signal includes a signal with a large weight, and the greater the correlation between the input sound signal of the channel preceding the nth channel and the input sound signal of the nth channel, the greater the correlation between the input sound of the nth channel and the input sound of the nth channel.
  • the downmix signal includes a signal with a small weight. The relationship between this input sound signal and the downmix signal is as follows: when there are multiple leading channels, when there are multiple trailing channels, both the leading channel and the trailing channel. If there is, the sound signal downmixing device of the second embodiment has been expanded so as to cope with. Hereinafter, the sound signal downmix device of the second embodiment will be described.
  • the sound signal downmix device of the second embodiment is an extension of the sound signal downmix device of the first embodiment so as to correspond to a case where the number of channels is 3 or more, and when the number of channels is 2. Operates in the same manner as the sound signal downmix device of the first embodiment.
  • the sound signal downmixing devices 401 and 405 obtain a downmix signal closer to the signal obtained by averaging all the input sound signals as the correlation between the channels of the input sound signals becomes smaller.
  • the sound signal downmix device of the second embodiment will be described as an example.
  • the sound signal downmix device 406 of the first example includes an interchannel relationship information estimation unit 186 and a downmix unit 116.
  • the sound signal downmix device 406 obtains and outputs a downmix signal, which will be described later, from the input sound signal in the time domain of the N-channel stereo, for example, in frame units having a predetermined time length of 20 ms.
  • the number of channels N is an integer of 2 or more. However, when the number of channels is 2, the sound signal downmixing device of the first embodiment may be used. Therefore, the sound signal downmixing device of the second embodiment is particularly useful when N is an integer of 3 or more. ..
  • the sound signal input to the sound signal downmix device 406 is a sound signal in the time region of N channels. For example, it is obtained by collecting sounds such as voice and music with each of N microphones and performing AD conversion. Digital sound signals obtained by collecting and AD-converting digital sound signals at multiple points, or by mixing digital sound signals of one channel or multiple channels as they are or by appropriately mixing them into N channels. These are a signal, a digital decoded sound signal obtained by encoding and decoding each of the above-mentioned digital sound signals, and a digital signal-processed sound signal obtained by signal-processing each of the above-mentioned digital sound signals.
  • the downmix signal which is a monaural sound signal in the time domain obtained by the sound signal downmix device 406, is input to at least a coding device that encodes the downmix signal or at least a signal processing device that processes the downmix signal. ..
  • Input sound signals of N channels are input to the sound signal downmix device 406 in frame units, and the sound signal downmix device 406 obtains and outputs downmix signals in frame units.
  • T is a positive integer, for example, if the frame length is 20ms and the sampling frequency is 32kHz, then T is 640.
  • the sound signal downmix device 406 of the first example performs the processes of steps S186 and S116 illustrated in FIG. 6 for each frame.
  • Interchannel relationship information estimation unit 186 Input sound signals of N channels input to the sound signal downmix device 406 are input to the channel-to-channel relationship information estimation unit 186.
  • the inter-channel relationship information estimation unit 186 obtains and outputs the inter-channel correlation value and the preceding channel information from the input sound signals of the input N channels (step S186). Since the inter-channel correlation value and the preceding channel information represent the inter-channel relationship in the input sound signals of N channels, it can be said to be the inter-channel relationship information.
  • the inter-channel correlation value is a value representing the magnitude of the correlation in consideration of the time difference between the input sound signals for each pair of the two channels included in the N channels.
  • n is an integer of 1 or more and N or less
  • m is an integer greater than n and N or less
  • the interchannel correlation value between the nth channel input sound signal and the m channel input sound signal is ⁇ nm .
  • the interchannel relationship information estimation unit 186 obtains an interchannel correlation value ⁇ nm for each of (N ⁇ (N-1)) / 2 combinations of n and m.
  • the preceding channel information is information indicating which of the input sound signals of the two channels contains the same sound signal first for each combination of the two channels included in the N channels. This is information indicating which channel of the individual channels precedes.
  • the interchannel relationship information estimation unit 186 has the above-mentioned (N ⁇ (N-1)) / 2 ways. Obtain the leading channel information INFO nm for each combination of n and m. In the following, for the combination of n and m, if the same sound signal is included in the nth channel input sound signal before the mth channel input sound signal, the nth channel is the mth channel.
  • the nth channel is ahead of the mth channel, the mth channel is behind the nth channel, the mth channel is behind the nth channel, etc. There is that.
  • the m-th channel becomes the n-th channel.
  • the mth channel is ahead of the nth channel, the nth channel is behind the mth channel, the nth channel is behind the mth channel, And so on.
  • the interchannel relationship information estimation unit 186 sets the interchannel correlation value ⁇ nm and the preceding channel information INFO nm for each of the above-mentioned (N ⁇ (N-1)) / 2 combinations of the nth channel and the mth channel. It may be obtained in the same manner as the left-right relationship information estimation unit 183 of the first embodiment. That is, the inter-channel relationship information estimation unit 186 reads, for example, the left channel in each example of the description of the left-right relationship information estimation unit 183 of the first embodiment as the nth channel, the right channel as the mth channel, and L.
  • Is read as n R is read as m
  • leading channel information is read as leading channel information INFO nm
  • left-right correlation value ⁇ is read as inter-channel correlation value ⁇ nm .
  • the channel-to-channel relationship information estimation unit 186 can be used with the above-mentioned (N ⁇ (N-1)) / 2 ways of nth channel. For each combination of the m-th channel, the sample sequence of the n-channel input sound signal for each candidate sample number ⁇ cand from ⁇ max to ⁇ min and the sample sequence for each candidate sample number ⁇ cand. The maximum value of the absolute value ⁇ cand of the correlation coefficient between the sample string of the m-channel input sound signal located at a later position is obtained as the interchannel correlation coefficient ⁇ nm and output, and the correlation coefficient is calculated.
  • the information indicating that the m-th channel is ahead may be obtained and output as the leading channel information INFO nm , or the information indicating that the mth channel is leading may be obtained and output as the leading channel information INFO nm.
  • ⁇ max and ⁇ min are the same as in the first embodiment.
  • the correlation value using the signal phase information may be set as ⁇ cand as follows.
  • the channel-to-channel relationship information estimation unit 186 first applies the input sound signals x i (1), x i (2) for each channel i from the first channel input sound signal to the Nth channel input sound signal.
  • x i (T) By Fourier transforming, ..., x i (T) as in the following equation (2-1), the frequency spectrum X i (k) at each frequency k from 0 to T-1 is obtained.
  • the channel-to-channel relationship information estimation unit 186 performs the subsequent processing for each of the above-mentioned (N ⁇ (N-1)) / 2 combinations of the nth channel and the mth channel.
  • Inter-channel relationship information estimation unit 186 first, using the equation (2-1) frequency spectrum of the n-channel in each frequency k obtained in X n (k) and the frequency spectrum X m of the m channels (k) Then, the spectrum ⁇ (k) of the phase difference at each frequency k is obtained by the following equation (2-2).
  • the channel-to-channel relationship information estimation unit 186 performs an inverse Fourier transform on the spectrum of the phase difference obtained by the equation (2-2), so that the spectrum from ⁇ max to ⁇ min is obtained as in the equation (1-4).
  • a phase difference signal ⁇ ( ⁇ cand ) is obtained for each candidate sample number ⁇ cand.
  • the interchannel relationship information estimation unit 186 obtains and outputs the maximum value of the correlation value ⁇ cand , which is the absolute value of the phase difference signal ⁇ ( ⁇ cand ), as the interchannel correlation value ⁇ nm , and the correlation value is the maximum value.
  • the channel-to-channel relationship information estimation unit 186 obtains and outputs information indicating that the nth channel is ahead as the leading channel information INFO nm.
  • the information indicating that the mth channel is ahead may be obtained and output as the leading channel information INFO nm.
  • the channel-to-channel relationship information estimation unit 186 uses the absolute value of the phase difference signal ⁇ ( ⁇ cand ) as the correlation value ⁇ cand as it is, for example, for each ⁇ cand .
  • a normalized value such as the relative difference from the average of the absolute values of the phase difference signals obtained for each of the multiple candidate samples before and after ⁇ cand with respect to the absolute value of the phase difference signal ⁇ ( ⁇ cand). You may use it. That is, the inter-channel relationship information estimation unit 186 obtains an average value by Eq. (1-5) for each ⁇ cand using a predetermined positive number ⁇ range , and the obtained average value ⁇ c ( ⁇ ).
  • the normalized correlation value obtained by Eq. (1-6) using cand) and the phase difference signal ⁇ ( ⁇ cand ) may be used as ⁇ cand.
  • the downmix unit 116 includes the input sound signals of N channels input to the sound signal downmix device 406 and the above-mentioned (N ⁇ (N-1)) / 2 output by the channel-to-channel relationship information estimation unit 186.
  • the inter-channel correlation value ⁇ nm that is, the inter-channel correlation value for each combination of two channels included in the N channels
  • the inter-channel relationship information estimation unit 186 Preceding channel information for each of the above-mentioned (N ⁇ (N-1)) / 2 combinations of n and m output INFO nm (that is, predecessor for each combination of two channels included in N channels) Channel information) and is input.
  • the downmix unit 116 has a smaller correlation between the input sound signal of each channel and the input sound signal of each channel preceding the channel, and is smaller than the input sound signal of each channel following the channel. The larger the correlation is, the larger the weight is given, and the input sound signals of N channels are weighted and added to obtain a downmix signal and output (step S116).
  • the channel number (channel index) of each channel is i
  • the input sound signal of the i-th channel is x i (1), x i (2), ..., x i (T)
  • the downmix signal is x.
  • Specific example 1 of the downmix unit 116 will be described as M (1), x M (2), ..., x M (T).
  • the inter-channel correlation value is a value of 0 or more and 1 or less, like the absolute value or the normalized value of the correlation coefficient of the above-mentioned example in the explanation part of the inter-channel relationship information estimation unit 186. And.
  • M is not a channel number, but a subscript intended that the downmix signal is a monaural signal.
  • the downmix unit 116 obtains a downmix signal, for example, by performing the processes of steps S116-1 to S116-3 described below.
  • the downmix unit 116 is a combination of two channels (N-1) including the i-th channel of the preceding channel information INFO nm input to the downmix unit 116. From the preceding channel information, a set of channel numbers I Li of the channel preceding the i-th channel and a set of channel numbers I Fi of the channels following the i-th channel are obtained. (Step S116-1).
  • the downmix unit 116 uses two channels (N-1) including the i-th channel of the interchannel correlation value ⁇ nm input to the downmix unit 116 for each i-th channel.
  • the inter-channel correlation value ⁇ mn is the same as the inter-channel correlation value ⁇ nm for each of the above combinations of n and m
  • the inter- channel correlation value ⁇ ij when i is a value larger than j is also used.
  • the interchannel correlation value ⁇ ik when i is a value larger than k is also included in the interchannel correlation value ⁇ nm input to the downmix unit 116.
  • the input sound signals of the i-th channel from i to N are then x i (1), x i (2), ..., x i (T), and i is from 1.
  • x i (1), x i (2), ..., x i (T) the weight w i of each i-th channel up to N and the downmix signal sample x M (t) for each sample number t (sample index t) by the following equation (2-4).
  • Get the downmix signals x M (1), x M (2), ..., x M (T) (step S116-3).
  • the downmix unit 116 does not perform step S116-2 and step S116-3 in order, but uses an equation in which the weight w i of the equation (2-4) is replaced with the right side of the equation (2-3).
  • a downmix signal may be obtained. That is, the downmix unit 116 sets the set of channel numbers of the channels preceding the i-th channel for each i-channel as I Li, and for each i-channel, for the i-channel. Let I Fi be the set of channel numbers of the following channels, and for each i-channel, the channel for each combination of the i-channel and each channel j preceding the i-channel.
  • each sample x M (t) of the downmix signal may be obtained by Eq. (2-4).
  • Equation (2-4) is an equation for obtaining a downmix signal by weighting and adding the input sound signals of N channels, and the weight w of each i-th channel given to the input sound signal of each i-th channel in the weighted addition.
  • Equation (2-3) gives i.
  • the part of the following equation (2-3-A) in the equation (2-3) correlates with the input sound signal of each channel in which the input sound signal of the i-th channel precedes the i-channel. The larger the value, the smaller the weight w i.
  • the input sound signal of the i-th channel and the input sound signal of the preceding channel are included. If there is even one channel with a very large correlation with, the weight w i is set to a value close to 0.
  • the weight w i increases as the correlation with the input sound signal of each channel following the i-th channel increases.
  • the value is set to be larger than 1.
  • the total value of all channels of the weight w i obtained by the downmix unit 116 in step S116-1 of the specific example 1 may not be 1, the total value of all channels of the weight of the downmix unit 116 is 1.
  • the value obtained by normalizing the weight w i of each i-th channel can be used instead of the weight w i in Eq. (2-4), or the weight w i so that the total value of all the channels of the weight becomes 1.
  • the downmix signal may be obtained by using an equation obtained by modifying equation (2-4) so as to include normalization. This example will be described as a specific example 2 of the downmix unit 116, which is different from the specific example 1.
  • downmixing unit 116 a weight w i for each i-th channel to obtain the equation (2-3), normal to the weight w i for each i-th channel is the sum of all the channels it becomes 1 turned into 'to obtain i (i.e., each for the i-th channel by the following equation (2-5) regular Kasumi weight w' normal Kasumi weight w to obtain a i), the respective i from 1 to N i-channel input sound signal x i of (1), x i (2 ), ..., with x i (T) and the normal Kasumi weight w 'i, the following for each sample number t formula (2
  • the downmix signals x M (1), x M (2), ..., x M (T) may be obtained.
  • the downmix unit 116 sets the set of channel numbers of the channels preceding the i-th channel for each i-channel as I Li, and for each i-channel, for the i-channel.
  • I Fi be the set of channel numbers of the following channels, and for each i-channel, the channel for each combination of the i-channel and each channel j preceding the i-channel.
  • ⁇ ij be the inter-channel correlation value
  • ⁇ ik be the inter-channel correlation value for each combination of the i-channel and each channel k following the i-channel for each i-channel.
  • ⁇ Second example ⁇ For example, when a device different from the sound signal downmix device stereo-encodes the input sound signals of N channels, the input sound signals of N channels are stereo by a device different from the sound signal downmix device.
  • any or all of the same inter-channel correlation value ⁇ nm and preceding channel information INFO nm obtained by the inter-channel relationship information estimation unit 186 are sound signal downmixing devices. It may be obtained by a different device. If any or all of the interchannel correlation value ⁇ nm and the preceding channel information INFO nm are obtained by another device, the sound signal downmix device is provided with the interchannel correlation value ⁇ nm obtained by another device and the preceding channel.
  • the channel-to-channel relationship information estimation unit 186 obtains the inter-channel correlation value ⁇ nm and the preceding channel information INFO nm that were not input to the sound signal downmix device. It should be.
  • the following is an example of a sound signal downmixing device assuming that any or all of the inter-channel correlation value ⁇ nm and the preceding channel information INFO nm are input from the outside, focusing on the differences from the first example.
  • any or all of the inter-channel correlation value ⁇ nm and the preceding channel information INFO nm are input from the outside, focusing on the differences from the first example.
  • the sound signal downmix device 407 of the second example includes an interchannel relationship information acquisition unit 187 and a downmix unit 116.
  • the sound signal downmix device 407 in addition to the input sound signals of N channels, as shown by the alternate long and short dash line in FIG. 7, either the interchannel correlation value ⁇ nm obtained by another device or the preceding channel information INFO nm. Or all may be entered.
  • the sound signal downmix device 407 of the second example performs the processes of steps S187 and S116 illustrated in FIG. 8 for each frame. Since the downmix unit 116 and the step S116 are the same as those in the first example, the interchannel relationship information acquisition unit 187 and the step S187 will be described below.
  • the inter-channel relationship information acquisition unit 187 has an inter-channel correlation value ⁇ nm , which is a value indicating the magnitude of correlation for each combination of two channels included in N channels, and 2 included in N channels.
  • ⁇ nm is a value indicating the magnitude of correlation for each combination of two channels included in N channels, and 2 included in N channels.
  • the preceding channel information INFO nm which is information indicating which of the input sound signals of the two channels contains the same sound signal first, is obtained and output (step S187). ).
  • the channel-to-channel relationship information acquisition unit 187 is shown by the alternate long and short dash line in FIG.
  • the inter-channel correlation value ⁇ nm and the preceding channel information INFO nm input to the sound signal downmix device 407 are obtained and output to the downmix unit 116.
  • the channel-to-channel relationship information acquisition unit. 187 includes an inter-channel relationship information estimation unit 186.
  • the channel-to-channel relationship information estimation unit 186 of the channel-to-channel relationship information acquisition unit 187 has a channel-to-channel correlation value ⁇ nm that has not been input to the sound signal downmix device 407 or a preceding channel information INFO that has not been input to the sound signal downmix device 407.
  • nm is obtained from the input sound signals of N channels in the same manner as in the interchannel relationship information estimation unit 186 of the first example, and is output to the downmix unit 116.
  • the channel-to-channel relationship information acquisition unit 187 is shown by a single point chain line in FIG.
  • the interchannel correlation value ⁇ nm input to the sound signal downmix device 407 or the preceding channel information INFO nm input to the sound signal downmix device 407 is output to the downmix unit 116.
  • the channel-to-channel relationship information acquisition unit 187 The interchannel relationship information estimation unit 186 is provided.
  • the inter-channel relationship information estimation unit 186 obtains the inter-channel correlation value ⁇ nm and the preceding channel information INFO nm from the input sound signals of N channels in the same manner as the inter-channel relationship information estimation unit 186 of the first example, and downs. Output to the mix unit 116. That is, it can be said that each of the inter-channel relationship information estimation unit 186 and step S186 of the first example is in the category of the inter-channel relationship information acquisition unit 187 and step S187.
  • the channel-to-channel relationship information acquisition unit 187 is provided with the channel-to-channel relationship information estimation unit 186. Then, in the same manner as described above, what is obtained by another device and input to the sound signal downmix device 407 is output to the downmix unit 116 by the channel-to-channel relationship information acquisition unit 187 and obtained by the other device.
  • the channel-to-channel relationship information estimation unit 186 obtains it from the input sound signals of N channels like the channel-to-channel relationship information estimation unit 186 of the first example, and goes down. It may be output to the mix unit 116.
  • the inter-channel relationship information estimation unit 186 of the second embodiment needs to obtain the inter-channel correlation value ⁇ nm and the preceding channel information INFO nm for each combination of the two channels included in the N channels. Since there are (N ⁇ (N-1)) / 2 combinations of the two channels included in the N channels, the method illustrated in the description of the interchannel relationship information estimation unit 186 of the second embodiment. If the inter-channel correlation value ⁇ nm and the preceding channel information INFO nm are obtained in, the amount of arithmetic processing may become an issue when the number of channels is large.
  • the sound signal down including the inter-channel relationship information estimation process for approximately obtaining the inter-channel correlation value ⁇ nm and the preceding channel information INFO nm by a method with a smaller amount of arithmetic processing than the inter-channel relationship information estimation unit 186.
  • the mixing device will be described.
  • the downmix process of the third embodiment is the same as that of the second embodiment.
  • the downmix process performed by the downmix unit 116 of the second embodiment is, for example, when only the same sound emitted by a certain sound source is included in the signals of a plurality of channels with a time difference.
  • This is a process for including the input sound signal of the earliest included channel among the input sound signals of a plurality of channels in the downmix signal.
  • This processing will be described with an example in which the number of channels is 6, and the input sound signals of the first channel (1ch) to the sixth channel (6ch) are the signals schematically shown in FIG.
  • the first channel input sound signal and the second channel input sound signal are signals in which only the same first sound signal emitted by the first sound source is included with a time difference, and the first The sound signal is included in the second channel input sound signal earliest.
  • the third channel input sound signal to the sixth channel input sound signal are signals in which only the same second sound signal emitted by the second sound source is included with a time difference.
  • the sound signal of 2 is included in the 6th channel input sound signal earliest.
  • the time difference between non-adjacent channels is approximately obtained by the following equations using the time differences ⁇ 12 , ⁇ 23 , ⁇ 34 , ⁇ 45 , and ⁇ 56 between adjacent channels, and the obtained channels are obtained. There is no problem even if the preceding channel information INFO nm is approximately obtained depending on whether the time difference is positive, negative, or 0.
  • the inter-channel correlation value ⁇ nm and the preceding channel information INFO nm can be approximately obtained by using the above equations because the input sound signals having the same or similar waveforms are continuous as illustrated in FIG. As illustrated in FIG. 10, when there are channels having the same or similar waveforms of the input sound signals but having significantly different waveforms of the input sound signals, the waveforms of the input sound signals are significantly different from each other.
  • the interchannel correlation value ⁇ nm and the preceding channel information INFO nm cannot be approximately obtained using the above equations. Therefore, in the sound signal downmixing apparatus of the third embodiment, there is no channel in which the waveforms of the input sound signals are significantly different between the channels having the same or similar waveforms of the input sound signals of N channels.
  • the inter-channel correlation value ⁇ nm and the preceding channel information INFO nm are obtained for the adjacent channels after the sorting, and the inter-channel correlation value ⁇ nm and the preceding channel information between the adjacent channels after the sorting are obtained.
  • the other interchannel correlation values ⁇ nm and the preceding channel information INFO nm are obtained approximately.
  • the sound signal downmix device 408 of the first example includes an interchannel relationship information estimation unit 188 and a downmix unit 116.
  • the sound signal downmix device 408 of the first example performs the processes of step S188 and step S116 illustrated in FIG. 6 for each frame. Since the downmix unit 116 and step S116 are the same as the first example of the second embodiment, the interchannel relationship information estimation unit 188 and step S188 different from the first example of the second embodiment will be described below.
  • the sound signal downmixing device 408 is input to the sound signal in the time region of N channels as in the sound signal downmixing device 408 of the first embodiment of the second embodiment, and the sound signal downmixing device 408 is used. What is obtained and output is a downmix signal which is a monaural sound signal in the time region as in the sound signal downmix device 406 of the first example of the second embodiment.
  • the interchannel relationship information estimation unit 188 includes, for example, a channel rearrangement unit 1881, an adjacent channel relationship information estimation unit 1882, and an interchannel relationship information complementing unit 1883.
  • the interchannel relationship information estimation unit 188 processes, for example, step S1881, step S1882, and step S1883 illustrated in FIG. 12 for each frame (step S188).
  • the channel rearrangement unit 1881 sequentially, for example, sequentially from the first channel so that the channel having the highest degree of similarity in the waveform of the input sound signal becomes the adjacent channel when the time difference among the remaining channels is aligned.
  • the first sorted input sound signal which is the signal after sorting of N channels, the Nth sorted input sound signal, and each sorted input sound signal are down.
  • the first original channel information c 1 to the Nth original channel information c N which is the channel number (that is, the channel number of the input sound signal) when input to the mixing device 408, is obtained and output (step S1881A).
  • the channel rearrangement unit 1881 determines the degree of similarity of the waveforms when the time differences are aligned, such as a value indicating the closeness of the distance between the input sound signals of the two channels when the time differences are aligned, and when the time differences are aligned.
  • the inner product of the input sound signals of the two channels may be divided by the synergistic average of the energies of the input sound signals of the two channels to represent the magnitude of the correlation.
  • the channel rearrangement unit 1881 can be used. Steps S1881A-1 to S1881A-N are performed below. First, the channel sorting unit 1881 obtains the first channel input sound signal as the first sorted input sound signal, and obtains the channel number "1" of the first channel as the first original channel information c 1 ( Step S1881A-1).
  • the channel rearrangement unit 1881 is set to predetermined ⁇ max to ⁇ min for each channel m of the second channel to the Nth channel (for example, ⁇ max is a positive number and ⁇ min is a negative number).
  • ⁇ max is a positive number
  • ⁇ min is a negative number.
  • ⁇ cand a sample sequence of the first sorted input sound signal, a sample sequence of the m-channel input sound signal located behind the sample sequence by the number of candidate samples ⁇ cand, and The input sound signal of the channel m having the minimum distance is obtained as the second rearranged input sound signal, and the channel number of the channel m having the minimum distance is obtained as the second original channel information c 2 (Step S1881A-2).
  • channel rearranging unit 1881 still for each candidate sample number tau cand from tau max for each channel m which is not a rearrangement already input sound signal to tau min of the second channel of the second N-channel, the 2 Obtain the distance between the sample sequence of the rearranged input sound signal and the sample sequence of the m-channel input sound signal located behind the sample sequence by the number of each candidate sample ⁇ cand, and the distance is the minimum.
  • the input sound signal of the channel m which is a value, is obtained as the third rearranged input sound signal, and the channel number of the channel m, which has the minimum distance, is obtained as the third original channel information c 3 (step S1881A-3).
  • the fourth original channel information c 4 to the (N-1) original channel information c (N-1) are obtained (step S1881A-4 to step S1881A- (N-1)).
  • the channel sorting unit 1881 obtains the input sound signal of the remaining one channel which has not been made into the sorted input sound signal as the Nth sorted input sound signal, and the remaining which has not been made into the sorted input sound signal yet.
  • the channel number of one channel is obtained as the Nth original channel information c N (step S1881A-N).
  • the nth sorted input sound signal for each n of 1 or more and N or less is also referred to as the input sound signal of the nth channel after sorting, and n of the nth sorted input sound signal. This is also called the channel number after sorting.
  • the channel rearranging unit 1881 may rearrange the input sound signals of N channels so that there are no channels having the same or similar waveforms of the input sound signals but having significantly different waveforms of the input sound signals. In consideration of the purpose and the fact that the amount of arithmetic processing required for the sorting process should be small, the degree of similarity may be evaluated and the sorting may be performed without adjusting the time difference. For example, the channel rearranging unit 1881 may perform steps S1881B-N from the following steps S1881B-1. First, the channel sorting unit 1881 obtains the first channel input sound signal as the first sorted input sound signal, and obtains the channel number "1" of the first channel as the first original channel information c 1 ( Step S1881B-1).
  • the channel rearrangement unit 1881 obtains the distance between the sample sequence of the first rearranged input sound signal and the sample sequence of the mth channel input sound signal for each channel m of the second channel to the Nth channel.
  • the input sound signal of the channel m having the minimum distance is obtained as the second rearranged input sound signal, and the channel number of the channel m having the minimum distance is obtained as the second original channel information c 2 (step S1881B). -2).
  • the channel sorting unit 1881 sets a sample sequence of the second sorted input sound signal and the m-channel input for each channel m of the second to N channels that has not yet been used as the sorted input sound signal.
  • the distance from the sample sequence of the sound signal is obtained, the input sound signal of the channel m having the minimum distance is obtained as the third rearranged input sound signal, and the channel number of the channel m having the minimum distance is obtained. Obtained as 3 original channel information c 3 (step S1881B-3).
  • the same process is repeated until there is only one channel that has not yet been sorted as an input sound signal, from the fourth sorted input sound signal to the (N-1) sorted input sound signal.
  • the fourth original channel information c 4 to the (N-1) original channel information c (N-1) are obtained (step S1881B-4 to step S1881B- (N-1)).
  • the channel sorting unit 1881 obtains the input sound signal of the remaining one channel which has not been made into the sorted input sound signal as the Nth sorted input sound signal, and the remaining which has not been made into the sorted input sound signal yet.
  • the channel number of one channel is obtained as the Nth original channel information c N (step S1881B-N).
  • the channel rearranging unit 1881 orders the input sound signals of the remaining channels in order from the first channel, regardless of whether or not the time difference is aligned and what value is used for the degree of similarity between the signals. Is sequentially sorted so that the most similar channels are adjacent channels, and the Nth sorted input from the first sorted input sound signal, which is the signal after sorting of N channels, is performed.
  • the first original channel information c 1 to the Nth original channel which is the channel number (that is, the channel number of the input sound signal) when the sound signal and each sorted input sound signal are input to the sound signal downmix device 408.
  • the information c N and the information c N may be obtained and output (step S1881).
  • N sorted input sound signals from the first sorted input sound signal to the Nth sorted input sound signal are input to the adjacent channel relationship information estimation unit 1882.
  • the inter-channel relationship information estimation unit 1882 sets the inter-channel correlation value and the channel for each combination of the two sorted input sound signals whose rear-ordered channel numbers are adjacent to each other. The time difference between them is obtained and output (step S1882).
  • the inter-channel correlation value obtained in step S1882 is a correlation value in consideration of the time difference between the sorted input sound signals for each combination of two sorted channels having adjacent sorted channel numbers, that is, It is a value indicating the magnitude of the correlation in consideration of the time difference between the sorted input sound signals.
  • N-1 number of two channels included in N channels.
  • n be an integer of 1 or more and N-1 or less, and set the interchannel correlation value between the nth sorted input sound signal and the (n + 1) sorted channel input sound signal to ⁇ 'n (n +).
  • the inter-channel relationship information estimation unit 1882 has an inter-channel correlation value ⁇ 'for each of the combinations (N-1) of two sorted channels whose channel numbers after sorting are adjacent to each other. Get n (n + 1) .
  • the time difference between channels obtained in step S1882 is how far ahead of the two sorted input sound signals that the same sound signal is for each combination of the two sorted channels whose channel numbers are adjacent to each other. It is information indicating whether it is included in. Assuming that the time difference between channels between the nth sorted input sound signal and the (n + 1) th sorted input sound signal is ⁇ 'n (n + 1) , the adjacent channel relationship information estimation unit 1882 Obtain ⁇ 'n (n + 1) as the time difference between channels for each of the combinations (N-1) of the two sorted channels whose channel numbers are adjacent to each other.
  • the inter-channel relationship information estimation unit 1882 may perform the rearranged channel for each n of 1 or more and N-1 or less (that is, the channel after sorting).
  • the sample sequence of the nth sorted input sound signal for each candidate sample number ⁇ cand from ⁇ max to ⁇ min.
  • the correlation value using the signal phase information may be set as ⁇ cand as follows.
  • the adjacent channel relationship information estimation unit 1882 first sets the input sound signals x i (1), x i (2) for each channel i from the first channel input sound signal to the Nth channel input sound signal. ), ..., x i (T) is Fourier transformed as in Eq. (2-1) to obtain the frequency spectrum X i (k) at each frequency k from 0 to T-1.
  • the adjacent channel-to-adjacent relationship information estimation unit 1882 then describes each n of 1 or more and N-1 or less, that is, each combination of two sorted channels having adjacent sorted channel numbers. Is processed. Between adjacent channels related information estimating section 1882, first, the equation (2-1) frequency spectrum X n (k) of the n-channel in each frequency k obtained in and the (n + 1) channels of the frequency spectrum X ( Using n + 1) (k), the spectrum ⁇ (k) of the phase difference at each frequency k is obtained by the following equation (3-1).
  • the adjacent channel relationship information estimation unit 1882 performs an inverse Fourier transform on the spectrum of the phase difference obtained by the equation (3-1), so that the spectrum from ⁇ max to ⁇ min is obtained as in the equation (1-4).
  • the phase difference signal ⁇ ( ⁇ cand ) is obtained for each candidate sample number ⁇ cand of.
  • the adjacent channel relationship information estimation unit 1882 obtains and outputs the maximum value of the correlation value ⁇ cand, which is the absolute value of the phase difference signal ⁇ ( ⁇ cand ), as the interchannel correlation value ⁇ 'n (n + 1). Then, ⁇ cand when the correlation value is the maximum value is obtained as the time difference between channels ⁇ 'n (n + 1) and output.
  • the adjacent channel relationship information estimation unit 1882 uses the absolute value of the phase difference signal ⁇ ( ⁇ cand ) as it is as the correlation value ⁇ cand , similarly to the left / right relationship information estimation unit 183 and the channel relationship information estimation unit 186. Instead, for example, for each ⁇ cand , the relative difference between the absolute values of the phase difference signals obtained for each of the plurality of candidate samples before and after ⁇ cand with respect to the absolute value of the phase difference signal ⁇ ( ⁇ cand). Such a normalized value may be used. That is, the adjacent channel relationship information estimation unit 1882 obtained an average value by Eq. (1-5) for each ⁇ cand using a predetermined positive number ⁇ range , and the obtained average value ⁇ c ( The normalized correlation value obtained by Eq. (1-6) using ⁇ cand ) and the phase difference signal ⁇ ( ⁇ cand ) may be used as ⁇ cand.
  • the inter-channel relationship information complementing unit 1883 contains the inter-channel correlation value of each combination of two sorted channels whose channel numbers after sorting are adjacent to each other, which is output by the inter-channel relationship information estimation unit 1882. The time difference between channels and the original channel information for each sorted channel output by the channel sorting unit 1881 are input.
  • the inter-channel relationship information complementing unit 1883 performs the following steps S1883-1 to S1883-5 for all combinations of the two channels (that is, all combinations of the two sorting source channels).
  • the inter-channel correlation value and the preceding channel information are obtained and output (step S1883).
  • the inter-channel relationship information complementing unit 1883 first obtains two non-adjacent channel numbers after sorting from the inter-channel correlation value for each combination of two sorted channels whose channel numbers are adjacent to each other.
  • the inter-channel correlation value for each combination of channels after rearrangement is obtained (step S1883-1).
  • n be an integer of 1 or more and N-2 or less
  • m be an integer of n + 2 or more and N or less
  • the interchannel correlation between the nth sorted input sound signal and the mth sorted input sound signal is not adjacent' the value ⁇ get nm.
  • the two channel numbers in each combination of two sorted channels that are adjacent to each other are set as i (i is an integer of 1 or more and N-1 or less) and i + 1.
  • the inter-channel correlation value for each combination of two rearranged channels having adjacent channel numbers is ⁇ 'i (i + 1)
  • the inter-channel relationship information complement unit 1883 has n and m.
  • two adjacent channel numbers after sorting where i is n or more and m-1 or less.
  • the inter-channel relationship information complementing unit 1883 obtains the inter-channel correlation value ⁇ 'nm by the following equation (3-2).
  • the inter-channel relationship information complementing unit 1883 for each combination of n and m (that is, for each combination of two sorted channels whose channel numbers after sorting are not adjacent to each other), i is n or more m-. 'all geometric mean of i (i + 1), the correlation value ⁇ between channels' inter-channel correlation values for each combination by two channels channel number after rearrangement is 1 or less adjacent ⁇ obtained as nm You may. That is, the inter-channel relationship information complementing unit 1883 may obtain the inter-channel correlation value ⁇ 'nm by the following equation (3-3).
  • the inter-channel correlation value is a value whose upper limit is not 1 such as the absolute value of the correlation coefficient or the normalized value
  • the two sorted channel numbers are not adjacent to each other.
  • the inter-channel relationship information complementing unit 1883 is multiplied by the equation (3-2) so that the inter-channel correlation value for each combination by channel does not exceed the upper limit of the value that the inter-channel correlation value can originally take. it is better to get a correlation value gamma 'nm between channels geometric mean of the formula (3-3) instead of a value.
  • the interchannel correlation value ⁇ ' nm may be a value that depends on the interchannel correlation value ⁇ 'i (i + 1) of the combination.
  • the inter-channel relationship information complementing unit 1883 may indicate that i is n or more for each combination of n and m (that is, for each combination of two sorted channels whose channel numbers after sorting are not adjacent to each other). 'the minimum value of i (i + 1), the correlation value ⁇ between channels' inter-channel correlation values for each combination by two channels channel number after rearrangement is 1 or less adjacent ⁇ obtained as nm You may do so. Further, for example, in the inter-channel relationship information complementing unit 1883, i is n or more m for each combination of n and m (that is, for each combination of two sorted channels whose channel numbers after sorting are not adjacent to each other).
  • the correlation value gamma between channels' gamma may be obtained as nm.
  • the inter-channel correlation value is a value whose upper limit is not 1 such as the absolute value of the correlation coefficient or the normalized value, the two sorted channel numbers are not adjacent to each other.
  • the inter-channel correlation information complement unit 1883 uses the geometric mean instead of the multiplication value as the inter-channel correlation value so that the inter-channel correlation value for each combination by channel does not exceed the upper limit of the value that the inter-channel correlation value can originally take. it is better to be in the ⁇ 'nm.
  • the two channel numbers in each combination of two sorted channels with adjacent sorted channel numbers are i (i is an integer of 1 or more and N-1 or less) and i + 1, and they are arranged.
  • ⁇ 'i (i + 1) be the inter-channel correlation value for each combination of two rearranged channels whose channel numbers are adjacent to each other, and let n be an integer of 1 or more and N-2 or less, and m.
  • inter-channel relationship information complementing unit In 1883, for each combination of n and m (that is, for each combination of two sorted channels whose channel numbers after sorting are not adjacent), i is n or more and m-1 or less after sorting.
  • the two channel numbers in each combination of the two sorted channels whose channel numbers are adjacent to each other are i (i is an integer of 1 or more and N-1 or less) and i + 1.
  • the inter-channel correlation value for each combination of two sorted channels with adjacent sorted channel numbers is ⁇ 'i (i + 1), and n is an integer of 1 or more and N-2 or less.
  • m is an integer of n + 2 or more and N or less and the interchannel correlation value between the nth sorted input sound signal and the mth sorted input sound signal is ⁇ 'nm
  • the interchannel relationship information is complemented.
  • i is n or more and m-1 or less after sorting.
  • the inter-channel correlation value for each combination of two sorted channels whose channel numbers are adjacent to each other after sorting the value obtained by the adjacent channel relationship information estimation unit 1882 is input, and after sorting, the value obtained by the inter-channel relationship information estimation unit 1882 is input. Since the inter-channel correlation value for each combination of the two rearranged channels whose channel numbers are not adjacent to each other is obtained in step S1883-1, the inter-channel relationship information complementing unit 1883 is obtained when step S1883-1 is performed. Has all the inter-channel correlation values for each of the two (N ⁇ (N-1)) / 2 combinations of the two sorted channels included in the N sorted channels. Become.
  • n is an integer of 1 or more and N or less
  • m is an integer greater than n and N or less
  • Inter-channel relationship information compensating unit 1883 after the step S1883-1, (N ⁇ (N- 1)) / inter-channel correlation values for each combination by two rearrangement after the channel two types gamma 'nm Is associated with the combination of channels in the input sound signals of N channels (that is, the combination of the sorting source channels) using the original channel information c 1 to c N for each sorted channel.
  • the interchannel correlation value between the input sound signals is obtained for each combination of the two channels included in the N channels (step S1883-2).
  • the inter-channel relationship information complement unit 1883 obtains the inter-channel correlation value ⁇ nm for each of the combinations of the two channels (N ⁇ (N-1)) / 2.
  • the inter-channel relationship information complementing unit 1883 also has two sorted channel numbers that are not adjacent to each other due to the time difference between the channels for each combination of the two sorted channels that are adjacent to each other. Obtain the time difference between channels for each combination of the sorted channels (step S1883-3). Let n be an integer of 1 or more and N-2 or less, m be an integer of n + 2 or more and N or less, and the channel between the nth channel sorted input sound signal and the m channel sorted input sound signal. 'When nm, inter-channel relationship information compensating unit 1883, inter-channel time difference ⁇ for each combination by two rearrangement after the channel where the channel number after the rearrangement is not adjacent' between time difference ⁇ get nm.
  • the two channel numbers in each combination of two sorted channels that are adjacent to each other are set as i (i is an integer of 1 or more and N-1 or less) and i + 1.
  • the inter-channel time difference for each combination of two rearranged channels having adjacent channel numbers is ⁇ 'i (i + 1)
  • the inter-channel relationship information complement unit 1883 will perform each combination of n and m. (That is, for each combination of two sorted channels in which the sorted channel numbers are not adjacent), i is n or more and m-1 or less, and the sorted channel numbers are adjacent to each other.
  • the time difference between the channels for each combination of the two sorted channels whose channel numbers are adjacent to each other is the one obtained by the adjacent channel relationship information estimation unit 1882, and the sorted channels are selected. Since the time difference between channels for each combination of the two rearranged channels whose numbers are not adjacent is obtained in step S1883-3, when step S1883-3 is performed, the channel-to-channel relationship information complementing unit 1883 is contacted. , There are all channel-to-channel time differences for each of the (N ⁇ (N-1)) / 2 combinations of the two sorted channels included in the N sorted channels.
  • n is an integer of 1 or more and N or less
  • m is an integer greater than n and N or less
  • the time difference between channels for the combination of the sorted nth channel and the sorted m channel is ⁇ '.
  • the channel-to-channel relationship information complementing unit 1883 is informed of each of the combinations of the two rearranged channels in (N ⁇ (N-1)) / 2. is the inter-channel time difference tau 'nm are present.
  • Inter-channel relationship information compensating unit 1883 after the step S1883-3, the (N ⁇ (N-1) ) / inter-channel time difference tau 'nm for each of the combinations according to the channel after two sorting in two ways.
  • N the original channel information c 1 to c N for each channel after sorting and associating it with the combination of channels in the input sound signal of N channels (that is, the combination of channels of the sorting source), N pieces.
  • the time difference between channels between the input sound signals is obtained for each combination of the two channels included in the channel (step S1883-4).
  • n is an integer of 1 or more and N or less
  • m is an integer greater than n and N or less
  • the time difference between channels between the nth channel input sound signal and the m channel input sound signal is ⁇ nm
  • the channels The interrelationship information complement unit 1883 obtains the interchannel time difference ⁇ nm for each of the combinations of the two channels (N ⁇ (N-1)) / 2.
  • the channel-to-channel relationship information complementing unit 1883 starts with (N ⁇ (N-1)) / 2 from the channel-to-channel time difference ⁇ nm for each of the two channel combinations (N ⁇ (N-1)). N-1))) Obtain the preceding channel information INFO nm for each of the combinations of the two channels in two ways (step S1883-5).
  • the inter-channel time difference ⁇ nm is a positive value
  • the inter-channel relationship information complementing unit 1883 obtains information indicating that the nth channel is ahead as the preceding channel information INFO nm , and obtains information indicating that the n-th channel is ahead, and the inter-channel time difference ⁇ .
  • the information indicating that the mth channel is ahead is obtained as the leading channel information INFO nm.
  • Inter-channel relationship information compensating unit 1883 for each of the combinations according to the two channels when inter-channel time difference tau nm is 0, the preceding channel information INFO nm, information indicating that the first n-channel is ahead Or the information indicating that the mth channel is ahead may be obtained as the leading channel information INFO nm.
  • the inter-channel relationship information complementing unit 1883 replaces step S1883-4 and step S1883-5 with respect to each of the combinations of the two rearranged channels in (N ⁇ (N-1)) / 2.
  • step S1883-4' step S1883-4 obtaining nm 'prior channel information INFO to the nm as in step S1883-5' time difference ⁇ between the channels was obtained by (N ⁇ (N-1) ) / 2 the prior channel information INFO 'nm for each combination by two rearrangement after the channel street, from the original channel information c 1 for each channel after the rearrangement using c N, the input sound of the N-channel Step S1883-5'to obtain the preceding channel information INFO nm for each combination of the two channels included in the N channels by associating with the combination of channels in the signal (that is, the combination of the channels to be sorted).
  • inter-channel relationship information compensating unit 1883 (N ⁇ (N-1 )) / the channel time difference tau 'nm for each of the combination according to the two rearrangement after the channel in two ways, the original channel information c Corresponding to the combination of channels in the input sound signal of N channels using 1 to c N , and obtaining the preceding channel information based on whether the time difference between channels is positive, negative, or 0. , To obtain the preceding channel information INFO nm for each combination of the two channels included in the N channels.
  • the inter-channel relationship information estimation unit 188 of the first example of the third embodiment may be used.
  • the inter-channel relationship information acquisition unit 187 of the sound signal downmix device 407 includes an inter-channel relationship information estimation unit 188 in place of the inter-channel relationship information estimation unit 186, and the inter-channel relationship information acquisition unit 187 The operation may be performed by replacing the inter-channel relationship information estimation unit 186 with the inter-channel relationship information estimation unit 188.
  • the device configuration of the sound signal downmix device 407 in this case is as illustrated in FIG. 7, and the processing flow of the sound signal downmix device 407 is as illustrated in FIG.
  • the sound signal downmixing device of the second embodiment and the third embodiment described above may be included as a sound signal downmixing unit in the coding device for encoding the sound signal, and this embodiment will be described as the fourth embodiment.
  • the sound signal coding device 106 of the fourth embodiment includes a sound signal downmix unit 407 and a coding unit 196.
  • the sound signal coding device 106 of the fourth embodiment encodes a sound signal in the time domain of the input N-channel stereo in frame units having a predetermined time length of, for example, 20 ms, obtains a sound signal code, and outputs the sound signal code. ..
  • the sound signal in the time region of the N-channel stereo input to the sound signal encoding device 106 is, for example, a digital sound obtained by collecting sounds such as voice and music with each of N microphones and performing AD conversion.
  • the sound signal coding device 105 of the fourth embodiment performs the processes of step S407 and step S196 illustrated in FIG. 14 for each frame.
  • the sound signal coding device 106 of the fourth embodiment will be described with reference to the description of the second embodiment and the third embodiment as appropriate.
  • the sound signal downmix unit 407 obtains and outputs downmix signals from N input sound signals of the Nth channel input sound signal from the first channel input sound signal input to the sound signal coding device 106 (step S407). ).
  • the sound signal downmix unit 407 is the same as the sound signal downmix device 407 of the second embodiment or the third embodiment, and includes an interchannel relationship information acquisition unit 187 and a downmix unit 116.
  • the channel-to-channel relationship information acquisition unit 187 performs the above-mentioned step S187
  • the downmix unit 116 performs the above-mentioned step S116.
  • the sound signal coding device 106 includes the sound signal downmix device 407 of the second embodiment or the third embodiment as the sound signal downmix unit 407, and the sound signal of the second embodiment or the third embodiment.
  • the process of the downmix device 407 is performed as step S407.
  • Encoding unit 196 At least the downmix signal output by the sound signal downmix unit 407 is input to the coding unit 196.
  • the coding unit 196 at least encodes the input downmix signal to obtain a sound signal code and outputs it (step S196).
  • the coding unit 196 may also encode N input sound signals from the first channel input sound signal to the Nth channel input sound signal, and outputs the code obtained by this coding in the sound signal code. May be good. In this case, as shown by the broken line in FIG. 13, N input sound signals from the first channel input sound signal to the Nth channel input sound signal are also input to the coding unit 196.
  • the coding process performed by the coding unit 196 may be any coding process.
  • the downmix signal x M (1), x M (2), ..., x M (T) of the input T sample is encoded by a monaural coding method such as the 3GPP EVS standard, and the sound signal code. May be obtained.
  • N input sound signals from the 1st channel input sound signal to the Nth channel input sound signal are converted to the stereo decoding method of the MPEG-4 AAC standard.
  • a stereo code may be obtained by encoding with a corresponding stereo coding method, and a combination of a monaural code and a stereo code may be output as a sound signal code.
  • a stereo code may be obtained by encoding a weighted difference or a weighted difference, and a combination of a monaural code and a stereo code may be output as a sound signal code.
  • the sound signal downmixing device of the second embodiment and the third embodiment described above may be included as a sound signal downmixing unit in the signal processing device that processes the sound signal, and this embodiment will be described as the fifth embodiment.
  • the sound signal processing device 306 of the fifth embodiment includes a sound signal downmixing unit 407 and a signal processing unit 316.
  • the sound signal processing device 306 of the fifth embodiment signal-processes the input sound signal in the time domain of the N-channel stereo in frame units having a predetermined time length of, for example, 20 ms, obtains a signal processing result, and outputs the signal. ..
  • the sound signal in the time region of the N-channel stereo input to the sound signal processing device 306 is, for example, a digital audio signal obtained by collecting sounds such as voice and music with each of N microphones and performing AD conversion.
  • the sound signal processing device 306 of the fifth embodiment performs the processing of step S407 and step S316 illustrated in FIG. 16 for each frame.
  • the sound signal processing device 306 of the fifth embodiment will be described with reference to the description of the second embodiment and the third embodiment as appropriate.
  • the sound signal downmix unit 407 obtains and outputs a downmix signal from N input sound signals of the Nth channel input sound signal from the first channel input sound signal input to the sound signal processing device 306 (step S407). ..
  • the sound signal downmix unit 407 is the same as the sound signal downmix device 407 of the second embodiment or the third embodiment, and includes an interchannel relationship information acquisition unit 187 and a downmix unit 116.
  • the channel-to-channel relationship information acquisition unit 187 performs the above-mentioned step S187
  • the downmix unit 116 performs the above-mentioned step S116.
  • the sound signal processing device 306 includes the sound signal downmix device 407 of the second embodiment or the third embodiment as the sound signal downmix unit 407, and the sound signal down of the second embodiment or the third embodiment.
  • the process of the mixing device 407 is performed as step S407.
  • Signal processing unit 316 At least the downmix signal output by the sound signal downmix unit 407 is input to the signal processing unit 316.
  • the signal processing unit 316 at least performs signal processing on the input downmix signal to obtain a signal processing result and output it (step S316).
  • the signal processing unit 316 may also signal-process N input sound signals of the first channel input sound signal to the Nth channel input sound signal to obtain a signal processing result. In this case, a broken line is shown in FIG. As shown, N input sound signals from the 1st channel input sound signal to the Nth channel input sound signal are also input to the signal processing unit 316, and the signal processing unit 316 receives, for example, the input sound signals of each channel. Then, signal processing using the downmix signal is performed, and the output sound signal of each channel is obtained as a signal processing result.
  • each part of each sound signal downmix device, sound signal coding device, and sound signal processing device described above may be realized by a computer.
  • the processing content of the function that each device should have is described by a program. Will be done.
  • this program by loading this program into the storage unit 1020 of the computer 1000 shown in FIG. 17 and operating it in the arithmetic processing unit 1010, the input unit 1030, the output unit 1040, and the like, various processing functions in each of the above devices can be performed on the computer. It will be realized.
  • the program that describes this processing content can be recorded on a computer-readable recording medium.
  • the computer-readable recording medium is, for example, a non-temporary recording medium, specifically, a magnetic recording device, an optical disk, or the like.
  • the distribution of this program is carried out, for example, by selling, transferring, or renting a portable recording medium such as a DVD or CD-ROM on which the program is recorded.
  • the program may be stored in the storage device of the server computer, and the program may be distributed by transferring the program from the server computer to another computer via the network.
  • a computer that executes such a program first transfers the program recorded on the portable recording medium or the program transferred from the server computer to the auxiliary recording unit 1050, which is its own non-temporary storage device. Store. Then, at the time of executing the process, the computer reads the program stored in the auxiliary recording unit 1050, which is its own non-temporary storage device, into the storage unit 1020, and executes the process according to the read program. Further, as another execution form of this program, the computer may read the program directly from the portable recording medium into the storage unit 1020 and execute the processing according to the program, and further, the program from the server computer to this computer may be executed. Each time the is transferred, the processing according to the received program may be executed sequentially.
  • ASP Application Service Provider
  • the program in this embodiment includes information to be used for processing by a computer and equivalent to the program (data that is not a direct command to the computer but has a property of defining the processing of the computer, etc.).
  • the present device is configured by executing a predetermined program on the computer, but at least a part of these processing contents may be realized by hardware.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Stereophonic System (AREA)

Abstract

音信号ダウンミックス方法は、N個のチャネルに含まれる2個のチャネルによる組合せのそれぞれについての、2個のチャネルの入力音信号間の相関の大きさを表す値であるチャネル間相関値と、2個のチャネルの入力音信号のどちらが先行しているかを表す情報である先行チャネル情報と、を得るチャネル間関係情報取得ステップと、チャネル間相関値と先行チャネル情報とに基づき、各チャネルの入力音信号に、当該チャネルより先行している各チャネルの入力音信号との相関が大きいほど小さく、当該チャネルより後行している各チャネルの入力音信号との相関が大きいほど大きい重みを与えて、N個のチャネルの入力音信号を重み付け加算してダウンミックス信号を得るダウンミックスステップと、を有する。重みの合計は１となるように正規化されている。

Description

音信号ダウンミックス方法、音信号符号化方法、音信号ダウンミックス装置、音信号符号化装置、プログラム及び記録媒体
　本発明は、音信号をモノラルで符号化したり、モノラル符号化とステレオ符号化を併用して音信号を符号化したり、音信号をモノラルで信号処理したり、ステレオの音信号にモノラルの音信号を用いた信号処理をしたりするために、複数チャネルの音信号からモノラルの音信号を得る技術に関する。
　２チャネルの音信号からモノラルの音信号を得て、２チャネルの音信号とモノラルの音信号をエンベデッド符号化／復号する技術として、特許文献１の技術がある。特許文献１には、入力された左チャネルの音信号と入力された右チャネルの音信号を対応するサンプルごとに平均することでモノラル信号を得て、モノラル信号を符号化（モノラル符号化）してモノラル符号を得て、モノラル符号を復号（モノラル復号）してモノラル局部復号信号を得て、左チャネルと右チャネルのそれぞれについて、入力された音信号と、モノラル局部復号信号から得た予測信号と、の差分（予測残差信号）を符号化する技術が開示されている。特許文献１の技術では、それぞれのチャネルについて、モノラル局部復号信号に遅延を与えて振幅比を与えた信号を予測信号として、入力された音信号と予測信号の誤差が最小となる遅延と振幅比を有する予測信号を選択するか、または、入力された音信号とモノラル局部復号信号との間の相互相関を最大にする遅延差と振幅比を有する予測信号を用いて、入力された音信号から予測信号を減算して予測残差信号を得て、予測残差信号を符号化／復号の対象とすることで、各チャネルの復号音信号の音質劣化を抑えている。
国際公開第２００６／０７０７５１号
　特許文献１の技術では、予測信号を得る際にモノラル局部復号信号に与える遅延と振幅比を最適化することで、各チャネルの符号化効率を高めることができる。しかし、特許文献１の技術では、モノラル局部復号信号は左チャネルの音信号と右チャネルの音信号を平均して得たモノラル信号を符号化・復号して得たものである。すなわち、特許文献１の技術には、複数チャネルの音信号から符号化処理などの信号処理に有用なモノラル信号を得る工夫がされていないという課題がある。
　本発明では、複数チャネルの音信号から符号化処理などの信号処理に有用なモノラル信号を得る技術を提供することを目的とする。
　本発明の一態様は、N個（Nは3以上の整数）のチャネルの入力音信号からモノラルの音信号であるダウンミックス信号を得る音信号ダウンミックス方法であって、N個のチャネルに含まれる2個のチャネルによる組合せのそれぞれについての、2個のチャネルの入力音信号間の相関の大きさを表す0以上1以下の値であるチャネル間相関値と、2個のチャネルの入力音信号のどちらが先行しているかを表す情報である先行チャネル情報と、を得るチャネル間関係情報取得ステップと、サンプル番号をtとし、iが1からNまでの各第iチャネルの入力音信号の各サンプルをxi(t)とし、ダウンミックス信号の各サンプルをxM(t)とし、各第iチャネルについての、当該第iチャネルに対して先行しているチャネルのチャネル番号の集合をILiとし、各第iチャネルについての、当該第iチャネルに対して後行しているチャネルのチャネル番号の集合をIFiとし、各第iチャネルについての、当該第iチャネルと、当該第iチャネルに対して先行している各チャネルjと、の組合せそれぞれについての、チャネル間相関値をγijとし、各第iチャネルについての、当該第iチャネルと、当該第iチャネルに対して後行している各チャネルkと、の組合せそれぞれについての、チャネル間相関値をγikとし、各第iチャネルについての重みを
Figure JPOXMLDOC01-appb-M000007
により表されるwiとし、各第iチャネルについての正規化された重みを
Figure JPOXMLDOC01-appb-M000008
により表されるw'iとして、
Figure JPOXMLDOC01-appb-M000009
によりダウンミックス信号の各サンプルxM(t)を得るダウンミックスステップと、
を有することを特徴とする。
　本発明の一態様は、音信号符号化方法であって、前記音信号ダウンミックス方法を音信号ダウンミックスステップとして有し、ダウンミックスステップが得たダウンミックス信号を符号化してモノラル符号を得るモノラル符号化ステップと、N個チャネルの入力音信号を符号化してステレオ符号を得るステレオ符号化ステップと、を有することを特徴とする。
　本発明によれば、複数チャネルの音信号から符号化処理などの信号処理に有用なモノラル信号を得ることができる。
第１実施形態の第１例の音信号ダウンミックス装置を示すブロック図である。 第１実施形態の第１例の音信号ダウンミックス装置の処理を示す流れ図である。 第１実施形態の第２例の音信号ダウンミックス装置の例を示すブロック図である。 第１実施形態の第２例の音信号ダウンミックス装置の処理の例を示す流れ図である。 第２実施形態の第１例と第３実施形態の第１例の音信号ダウンミックス装置の例を示すブロック図である。 第２実施形態の第１例と第３実施形態の第１例の音信号ダウンミックス装置の処理の例を示す流れ図である。 第２実施形態の第２例と第３実施形態の第２例の音信号ダウンミックス装置の例を示すブロック図である。 第２実施形態の第２例と第３実施形態の第２例の音信号ダウンミックス装置の処理の例を示す流れ図である。 音信号ダウンミックス装置に入力される６チャネルの入力音信号を模式的に示す図である。 音信号ダウンミックス装置に入力される６チャネルの入力音信号を模式的に示す図である。 第３実施形態のチャネル間関係情報推定部の例を示すブロック図である。 第３実施形態のチャネル間関係情報推定部の処理の例を示す流れ図である。 第４実施形態の音信号符号化装置の例を示すブロック図である。 第４実施形態の音信号符号化装置の処理の例を示す流れ図である。 第５実施形態の音信号処理装置の例を示すブロック図である。 第５実施形態の音信号処理装置の処理の例を示す流れ図である。 本発明の実施形態における各装置を実現するコンピュータの機能構成の一例を示す図である。
＜第１実施形態＞
　符号化処理などの信号処理の対象となる２チャネルの音信号は、ある空間に配置された左チャネル用のマイクロホンと右チャネル用のマイクロホンのそれぞれで収音した音をＡＤ変換して得られたディジタルの音信号であることが多い。この場合には、符号化処理などの信号処理をする装置に入力されるのは、当該空間に配置した左チャネル用のマイクロホンで収音した音をＡＤ変換して得られたディジタルの音信号である左チャネル入力音信号と、当該空間に配置した右チャネル用のマイクロホンで収音した音をＡＤ変換して得られたディジタルの音信号である右チャネル入力音信号である。この左チャネル入力音信号と右チャネル入力音信号には、当該空間に存在する各音源が発した音が、音源から左チャネル用のマイクロホンへの到達時間と、音源から右チャネル用のマイクロホンへの到達時間と、の差（いわゆる到来時間差）が与えられた状態で含まれている。
　上述した特許文献１の技術では、モノラル局部復号信号に遅延を与えて振幅比を与えた信号を予測信号として、入力された音信号から予測信号を減算して予測残差信号を得て、予測残差信号を符号化／復号の対象としている。すなわち、それぞれのチャネルについて、入力された音信号とモノラル局部復号信号とが類似しているほど効率よく符号化できる。しかしながら、例えば、ある空間に存在する１つの音源が発した音のみが左チャネル入力音信号と右チャネル入力音信号に到来時間差が与えられた状態で含まれているとすると、モノラル局部復号信号が左チャネル音信号と右チャネル音信号を平均して得たモノラル信号を符号化・復号して得たものである場合には、左チャネル音信号にも右チャネル音信号にもモノラル局部復号信号にも同じ１つの音源が発した音のみが含まれているにもかかわらず、左チャネル音信号とモノラル局部復号信号の類似の度合いは極めて高くはなく、右チャネル音信号とモノラル局部復号信号の類似の度合いも極めて高くはない。このように、左チャネル音信号と右チャネル音信号をただ平均してモノラル信号を得るのでは、符号化処理などの信号処理に有用なモノラル信号を得られないことがある。
　そこで、符号化処理などの信号処理に有用なモノラル信号を得られるように、左チャネル入力音信号と右チャネル入力音信号の関係を考慮したダウンミックス処理を行うのが第１実施形態の音信号ダウンミックス装置である。以下、第１実施形態の音信号ダウンミックス装置について説明する。
≪第１例≫
　まず、第１実施形態の第１例の音信号ダウンミックス装置について説明する。第１例の音信号ダウンミックス装置４０１は、図１に示す通り、左右関係情報推定部１８３とダウンミックス部１１２を含む。音信号ダウンミックス装置４０１は、例えば20msの所定の時間長のフレーム単位で、入力された２チャネルステレオの時間領域の音信号から、後述するダウンミックス信号を得て出力する。音信号ダウンミックス装置４０１に入力されるのは２チャネルステレオの時間領域の音信号であり、例えば、音声や音楽などの音を２個のマイクロホンそれぞれで収音してＡＤ変換して得られたディジタルの音信号、前述したディジタルの音信号を符号化／復号して得たディジタルの復号音信号、前述したディジタルの音信号を信号処理して得たディジタルの信号処理済みの音信号、であり、左チャネル入力音信号と右チャネル入力音信号から成る。音信号ダウンミックス装置４０１が得た時間領域のモノラルの音信号であるダウンミックス信号は、少なくともダウンミックス信号を符号化する符号化装置や少なくともダウンミックス信号を信号処理する信号処理装置に入力される。フレーム当たりのサンプル数をTとすると、音信号ダウンミックス装置４０１にはフレーム単位で左チャネル入力音信号xL(1), xL(2), ..., xL(T)と右チャネル入力音信号xR(1), xR(2), ..., xR(T)が入力され、音信号ダウンミックス装置４０１はフレーム単位でダウンミックス信号xM(1), xM(2), ..., xM(T)を得て出力する。ここで、Tは正の整数であり、例えば、フレーム長が20msであり、サンプリング周波数が32kHzであれば、Tは640である。第１例の音信号ダウンミックス装置４０１は、各フレームについて、図２に例示するステップＳ１８３とステップＳ１１２の処理を行う。
［左右関係情報推定部１８３］
　左右関係情報推定部１８３には、音信号ダウンミックス装置４０１に入力された左チャネル入力音信号と、音信号ダウンミックス装置４０１に入力された右チャネル入力音信号と、が入力される。左右関係情報推定部１８３は、左チャネル入力音信号と右チャネル入力音信号から、左右相関値γと、先行チャネル情報と、を得て出力する（ステップＳ１８３）。
　先行チャネル情報は、ある空間の主な音源が発した音が、当該空間に配置した左チャネル用のマイクロホンと当該空間に配置した右チャネル用のマイクロホンのどちらに早く到達しているかに相当する情報である。すなわち、先行チャネル情報は、同じ音信号が左チャネル入力音信号と右チャネル入力音信号のどちらに先に含まれているかを表す情報である。同じ音信号が左チャネル入力音信号に先に含まれている場合には左チャネルが先行しているまたは右チャネルが後行しているといい、同じ音信号が右チャネル入力音信号に先に含まれている場合には右チャネルが先行しているまたは左チャネルが後行しているというとすると、先行チャネル情報は、左チャネルと右チャネルのどちらのチャネルが先行しているかを表す情報である。左右相関値γは、左チャネル入力音信号と右チャネル入力音信号の時間差を考慮した相関値である。すなわち、左右相関値γは、先行しているチャネルの入力音信号のサンプル列と、τサンプルだけ当該サンプル列より後にずれた位置にある後行しているチャネルの入力音信号のサンプル列と、の相関の大きさを表す値である。このτのことを以下では左右時間差ともいう。先行チャネル情報と左右相関値γは、左チャネル入力音信号と右チャネル入力音信号の関係を表す情報であるので、左右関係情報であるともいえる。
　例えば、相関の大きさを表す値として相関係数の絶対値を用いるのであれば、左右関係情報推定部１８３は、予め定めたτmaxからτminまで（例えば、τmaxは正の数、τminは負の数）の各候補サンプル数τcandについて、左チャネル入力音信号のサンプル列と、各候補サンプル数τcand分だけ当該サンプル列より後にずれた位置にある右チャネル入力音信号のサンプル列と、の相関係数の絶対値γcandのうちの最大値を左右相関値γとして得て出力し、相関係数の絶対値が最大値のときのτcandが正の値である場合には、左チャネルが先行していることを表す情報を先行チャネル情報として得て出力し、相関係数の絶対値が最大値のときのτcandが負の値である場合には、右チャネルが先行していることを表す情報を先行チャネル情報として得て出力する。左右関係情報推定部１８３は、相関係数の絶対値が最大値のときのτcandが０である場合には、左チャネルが先行していることを表す情報を先行チャネル情報として得て出力してもよいし、右チャネルが先行していることを表す情報を先行チャネル情報として得て出力してもよいが、何れのチャネルも先行していないことを表す情報を先行チャネル情報として得て出力するとよい。
　予め定めた各候補サンプル数は、τmaxからτminまでの各整数値であってもよいし、τmaxからτminまでの間にある分数値や小数値を含んでいてもよいし、τmaxからτminまでの間にある何れかの整数値を含まないでもよい。また、τmax＝-τminであってもよいし、そうでなくてもよい。何れかのチャネルが先行しているか分からない入力音信号を対象とすることを想定すると、τmaxを正の数とし、τminを負の数とするのがよいが、何れかのチャネルが必ず先行しているような特殊な入力音信号を対象とする場合には、τmaxもτminも正の数としたり、τmaxもτminも負の数としたりしてもよい。なお、相関係数の絶対値γcandを計算するために現在のフレームの入力音信号のサンプル列に連続する過去の入力音信号の１個以上のサンプルも用いてもよく、この場合には過去のフレームの入力音信号のサンプル列を予め定めたフレーム数分だけ左右関係情報推定部１８３内の図示しない記憶部に記憶しておくようにすればよい。
　また例えば、相関係数の絶対値に代えて、以下のように信号の位相の情報を用いた相関値をγcandとしてもよい。この例においては、左右関係情報推定部１８３は、まず左チャネル入力音信号xL(1), xL(2), ..., xL(T)及び右チャネル入力音信号xR(1), xR(2), ..., xR(T)のそれぞれを、下記の式（１－１）及び式（１－２）のようにフーリエ変換することにより、0からT-1の各周波数kにおける周波数スペクトルXL(k)及びXR(k)を得る。
Figure JPOXMLDOC01-appb-M000010
Figure JPOXMLDOC01-appb-M000011
　左右関係情報推定部１８３は、次に、式（１－１）及び式（１－２）で得られた各周波数kにおける周波数スペクトルXL(k)及びXR(k)を用いて、下記の式（１－３）により、各周波数kにおける位相差のスペクトルφ(k)を得る。
Figure JPOXMLDOC01-appb-M000012
　左右関係情報推定部１８３は、次に、式（１－３）で得られた位相差のスペクトルを逆フーリエ変換することにより、下記の式（１－４）のようにτmaxからτminまでの各候補サンプル数τcandについて位相差信号ψ(τcand)を得る。
Figure JPOXMLDOC01-appb-M000013
　式（１－４）で得られた位相差信号ψ(τcand)の絶対値は、左チャネル入力音信号xL(1), xL(2), ..., xL(T)及び右チャネル入力音信号xR(1), xR(2), ..., xR(T)の時間差の尤もらしさに対応したある種の相関を表すものであるので、左右関係情報推定部１８３は、各候補サンプル数τcandに対するこの位相差信号ψ(τcand)の絶対値を相関値γcandとして用いる。すなわち、左右関係情報推定部１８３は、この位相差信号ψ(τcand)の絶対値である相関値γcandの最大値を左右相関値γとして得て出力し、相関値が最大値のときのτcandが正の値である場合には、左チャネルが先行していることを表す情報を先行チャネル情報として得て出力し、相関値が最大値のときのτcandが負の値である場合には、右チャネルが先行していることを表す情報を先行チャネル情報として得て出力する。左右関係情報推定部１８３は、相関値が最大値のときのτcandが０である場合には、左チャネルが先行していることを表す情報を先行チャネル情報として得て出力してもよいし、右チャネルが先行していることを表す情報を先行チャネル情報として得て出力してもよいが、何れのチャネルも先行していないことを表す情報を先行チャネル情報として得て出力するとよい。なお、左右関係情報推定部１８３は、相関値γcandとして位相差信号ψ(τcand)の絶対値をそのまま用いることに代えて、例えば各τcandについて位相差信号ψ(τcand)の絶対値に対するτcand前後にある複数個の候補サンプル数それぞれについて得られた位相差信号の絶対値の平均との相対差のような、正規化された値を用いてもよい。つまり、左右関係情報推定部１８３は、各τcandについて、予め定めた正の数τrangeを用いて、下記の式（１－５）により平均値を得て、得られた平均値ψc(τcand)と位相差信号ψ(τcand)を用いて下記の式（１－６）により得られる正規化された相関値をγcandとして用いてもよい。
Figure JPOXMLDOC01-appb-M000014
Figure JPOXMLDOC01-appb-M000015
　なお、式（１－６）により得られる正規化された相関値は、０以上１以下の値であり、τcandが左右時間差として尤もらしいほど１に近く、τcandが左右時間差として尤もらしくないほど０に近い性質を示す値である。
［ダウンミックス部１１２］
　ダウンミックス部１１２には、音信号ダウンミックス装置４０１に入力された左チャネル入力音信号と、音信号ダウンミックス装置４０１に入力された右チャネル入力音信号と、左右関係情報推定部１８３が出力した左右相関値γと、左右関係情報推定部１８３が出力した先行チャネル情報と、が入力される。ダウンミックス部１１２は、ダウンミックス信号に、左チャネル入力音信号と右チャネル入力音信号のうちの先行しているチャネルの入力音信号のほうが、左右相関値γが大きいほど大きく含まれるように、左チャネル入力音信号と右チャネル入力音信号を重み付け平均してダウンミックス信号を得て出力する（ステップＳ１１２）。
　例えば、左右関係情報推定部１８３の説明箇所で上述した例のように相関値に相関係数の絶対値や正規化された値を用いているのであれば、左右関係情報推定部１８３から入力された左右相関値γは０以上１以下の値であるため、ダウンミックス部１１２は、対応する各サンプル番号tに対して、左右相関値γで定まる重みを用いて左チャネル入力音信号xL(t)と右チャネル入力音信号xR(t)を重み付け加算したものをダウンミックス信号xM(t)とすればよい。具体的には、ダウンミックス部１１２は、先行チャネル情報が左チャネルが先行していることを表す情報である場合、すなわち、左チャネルが先行している場合には、xM(t)=((1+γ)/2)×xL(t)＋((1-γ)/2)×xR(t)、先行チャネル情報が右チャネルが先行していることを表す情報である場合、すなわち、右チャネルが先行している場合には、xM(t)=((1-γ)/2)×xL(t)＋((1+γ)/2)×xR(t)、としてダウンミックス信号xM(t)を得ればよい。ダウンミックス部１１２がこのようにダウンミックス信号を得ると、当該ダウンミックス信号は、左右相関値γが小さいほど、つまり左チャネル入力音信号と右チャネル入力音信号の相関が小さいほど、左チャネル入力音信号と右チャネル入力音信号の平均により得られる信号に近く、左右相関値γが大きいほど、つまり左チャネル入力音信号と右チャネル入力音信号の相関が大きいほど、左チャネル入力音信号と右チャネル入力音信号のうちの先行しているチャネルの入力音信号に近い。
　なお、ダウンミックス部１１２は、何れのチャネルも先行していない場合には、左チャネル入力音信号と右チャネル入力音信号が同じ重みでダウンミックス信号に含まれるように、左チャネル入力音信号と右チャネル入力音信号を平均してダウンミックス信号を得て出力するのがよい。すなわち、ダウンミックス部１１２は、先行チャネル情報が何れのチャネルも先行していないことを表す場合には、各サンプル番号tについて、左チャネル入力音信号xL(t)と右チャネル入力音信号xR(t)を平均したxM(t)=(xL(t)+xR(t))/2をダウンミックス信号xM(t)とするとよい。
≪第２例≫
　例えば、音信号ダウンミックス装置とは別の装置が左チャネル入力音信号と右チャネル入力音信号をステレオ符号化処理する場合、左チャネル入力音信号と右チャネル入力音信号が音信号ダウンミックス装置とは別の装置によるステレオ復号処理により得られた信号である場合、などにおいては、左右関係情報推定部１８３が得るのと同じ左右相関値γと先行チャネル情報の何れか一方または両方が音信号ダウンミックス装置とは別装置で得られている場合がある。左右相関値γと先行チャネル情報の何れか一方または両方が別装置で得られている場合は、音信号ダウンミックス装置には、別装置で得た左右相関値γと先行チャネル情報の何れか一方または両方が入力されるようにして、左右関係情報推定部１８３は、音信号ダウンミックス装置に入力されなかった左右相関値γまたは先行チャネル情報を得るようにすればよい。以下、左右相関値γと先行チャネル情報の何れか一方または両方が外部から入力されることを想定した音信号ダウンミックス装置の例を第２例として、第１例と異なる点を中心に説明する。
　第２例の音信号ダウンミックス装置４０５は、図３に示す通り、左右関係情報取得部１８５とダウンミックス部１１２を含む。音信号ダウンミックス装置４０５には、左チャネル入力音信号と右チャネル入力音信号に加えて、図３に一点鎖線で示す通り、別装置で得た左右相関値γと先行チャネル情報の何れか一方または両方が入力されてもよい。第２例の音信号ダウンミックス装置４０５は、各フレームについて、図４に例示するステップＳ１８５とステップＳ１１２の処理を行う。ダウンミックス部１１２とステップＳ１１２は第１例と同じであるので、以下では左右関係情報取得部１８５とステップＳ１８５について説明する。
［左右関係情報取得部１８５］
　左右関係情報取得部１８５は、左チャネル入力音信号と右チャネル入力音信号の相関の大きさを表す値である左右相関値γと、左チャネル入力音信号と右チャネル入力音信号のどちらが先行しているかを表す情報である先行チャネル情報と、を得て出力する（ステップＳ１８５）。
　左右相関値γと先行チャネル情報の両方が別装置から音信号ダウンミックス装置４０５に入力された場合には、図３に一点鎖線で示すように、左右関係情報取得部１８５は音信号ダウンミックス装置４０５に入力された左右相関値γと先行チャネル情報を得てダウンミックス部１１２に対して出力する。
　左右相関値γと先行チャネル情報の何れか一方が別装置から音信号ダウンミックス装置４０５に入力されていない場合には、図３に破線で示すように、左右関係情報取得部１８５は、左右関係情報推定部１８３を備える。左右関係情報取得部１８５の左右関係情報推定部１８３は、音信号ダウンミックス装置４０５に入力されていない左右相関値γまたは音信号ダウンミックス装置４０５に入力されていない先行チャネル情報を、第１例の左右関係情報推定部１８３と同様に左チャネル入力音信号と右チャネル入力音信号から得て、ダウンミックス部１１２に対して出力する。音信号ダウンミックス装置４０５に入力された左右相関値γまたは音信号ダウンミックス装置４０５に入力された先行チャネル情報については、左右関係情報取得部１８５は、図３に一点鎖線で示すように、音信号ダウンミックス装置４０５に入力された左右相関値γまたは音信号ダウンミックス装置４０５に入力された先行チャネル情報をダウンミックス部１１２に対して出力する。
　左右相関値γと先行チャネル情報の両方が別装置から音信号ダウンミックス装置４０５に入力されていない場合には、図３に破線で示すように、左右関係情報取得部１８５は左右関係情報推定部１８３を備える。左右関係情報推定部１８３は、左右相関値γと先行チャネル情報を、第１例の左右関係情報推定部１８３と同様に左チャネル入力音信号と右チャネル入力音信号から得て、ダウンミックス部１１２に対して出力する。すなわち、第１例の左右関係情報推定部１８３とステップＳ１８３のそれぞれは、左右関係情報取得部１８５とステップＳ１８５の範疇であるといえる。
＜第２実施形態＞
　チャネル数が３以上の場合であっても、各チャネルの入力音信号とダウンミックス信号との関係を第１実施形態の音信号ダウンミックス装置４０１、４０５と同様にすることで、符号化処理などの信号処理に有用なモノラル信号を得ることができる。この形態を第２実施形態として説明する。
　第１実施形態の音信号ダウンミックス装置４０１、４０５におけるあるチャネルの入力音信号のダウンミックス信号への含め方を左チャネルと右チャネルのそれぞれのチャネル番号をnとして説明すると、第１実施形態の音信号ダウンミックス装置４０１、４０５は、各第nチャネルについて、第nチャネルより後行しているチャネルの入力音信号と第nチャネルの入力音信号の相関が大きいほど、第nチャネルの入力音信号に大きな重みを与えたものをダウンミックス信号に含めており、第nチャネルより先行しているチャネルの入力音信号と第nチャネルの入力音信号の相関が大きいほど、第nチャネルの入力音信号に小さな重みを与えたものをダウンミックス信号に含めている。この入力音信号とダウンミックス信号との関係を、先行しているチャネルが複数個ある場合、後行しているチャネルが複数個ある場合、先行しているチャネルと後行しているチャネルの両方がある場合、に対応できるように拡張したのが第２実施形態の音信号ダウンミックス装置である。以下、第２実施形態の音信号ダウンミックス装置について説明する。なお、第２実施形態の音信号ダウンミックス装置は、第１実施形態の音信号ダウンミックス装置をチャネル数が３以上である場合に対応できるように拡張したものであり、チャネル数が２の場合には第１実施形態の音信号ダウンミックス装置と同様に動作する。
　なお、第１実施形態では、音信号ダウンミックス装置４０１、４０５が、入力音信号のチャネル間の相関が小さいほど、全ての入力音信号の平均により得られる信号に近いダウンミックス信号を得る例を説明したが、この入力音信号とダウンミックス信号との関係もチャネル数が３以上の場合であっても実現できるので、第２実施形態の音信号ダウンミックス装置の一例として説明する。
　≪第１例≫
　まず、第２実施形態の第１例の音信号ダウンミックス装置について説明する。第１例の音信号ダウンミックス装置４０６は、図５に示す通り、チャネル間関係情報推定部１８６とダウンミックス部１１６を含む。音信号ダウンミックス装置４０６は、例えば20msの所定の時間長のフレーム単位で、入力されたNチャネルステレオの時間領域の音信号から、後述するダウンミックス信号を得て出力する。チャネル数Nは２以上の整数である。ただし、チャネル数が２の場合には第１実施形態の音信号ダウンミックス装置を用いればよいので、第２実施形態の音信号ダウンミックス装置が特に有用なのはNが３以上の整数の場合である。音信号ダウンミックス装置４０６に入力されるのはN個のチャネルの時間領域の音信号であり、例えば、音声や音楽などの音をN個のマイクロホンそれぞれで収音してＡＤ変換して得られたディジタルの音信号、複数の地点それぞれで収音してＡＤ変換して得られた１チャネルまたは複数個のチャネルのディジタルの音信号をそのまままたは適宜混合してN個のチャネルにしたディジタルの音信号、前述した各ディジタルの音信号を符号化・復号して得たディジタルの復号音信号、前述した各ディジタルの音信号を信号処理して得たディジタルの信号処理済みの音信号、である。音信号ダウンミックス装置４０６が得た時間領域のモノラルの音信号であるダウンミックス信号は、少なくともダウンミックス信号を符号化する符号化装置や少なくともダウンミックス信号を信号処理する信号処理装置に入力される。音信号ダウンミックス装置４０６には、フレーム単位でN個のチャネルの入力音信号が入力され、音信号ダウンミックス装置４０６は、フレーム単位でダウンミックス信号を得て出力する。以下では、フレーム当たりのサンプル数をTとして説明する。Tは正の整数であり、例えば、フレーム長が20msであり、サンプリング周波数が32kHzであれば、Tは640である。第１例の音信号ダウンミックス装置４０６は、各フレームについて、図６に例示するステップＳ１８６とステップＳ１１６の処理を行う。
［チャネル間関係情報推定部１８６］
　チャネル間関係情報推定部１８６には、音信号ダウンミックス装置４０６に入力されたN個のチャネルの入力音信号が入力される。チャネル間関係情報推定部１８６は、入力されたN個のチャネルの入力音信号から、チャネル間相関値と、先行チャネル情報と、を得て出力する（ステップＳ１８６）。チャネル間相関値と先行チャネル情報は、N個のチャネルの入力音信号におけるチャネル間の関係を表す情報であるので、チャネル間関係情報であるともいえる。
　チャネル間相関値は、N個のチャネルに含まれる２個のチャネルによる組合せ（pair）それぞれについての、入力音信号間の時間差を考慮した相関の大きさを表す値である。N個のチャネルに含まれる２個のチャネルによる組合せは、(N×(N-1))/2通りある。nを1以上N以下の各整数とし、mをnより大きくN以下の各整数とし、第nチャネル入力音信号と第mチャネル入力音信号との間のチャネル間相関値をγnmとすると、チャネル間関係情報推定部１８６は、(N×(N-1))/2通りのnとmの組合せのそれぞれについてのチャネル間相関値γnmを得る。
　先行チャネル情報は、N個のチャネルに含まれる２個のチャネルによる組合せそれぞれについての、同じ音信号が２個のチャネルの入力音信号のどちらに先に含まれているかを表す情報であり、２個のチャネルのどちらのチャネルが先行しているかを表す情報である。第nチャネル入力音信号と第mチャネル入力音信号との間の先行チャネル情報をINFOnmとすると、チャネル間関係情報推定部１８６は、上述した(N×(N-1))/2通りのnとmの組合せそれぞれについての先行チャネル情報INFOnmを得る。なお、以下では、nとmの組合せについて、同じ音信号が第mチャネル入力音信号よりも第nチャネル入力音信号に先に含まれている場合には、第nチャネルが第mチャネルに対して先行している、第nチャネルが第mチャネルより先行している、第mチャネルが第nチャネルに対して後行している、第mチャネルが第nチャネルより後行している、などということがある。同様に、以下では、nとmの組合せについて、同じ音信号が第nチャネル入力音信号よりも第mチャネル入力音信号に先に含まれている場合には、第mチャネルが第nチャネルに対して先行している、第mチャネルが第nチャネルより先行している、第nチャネルが第mチャネルに対して後行している、第nチャネルが第mチャネルより後行している、などということがある。
　チャネル間関係情報推定部１８６は、上述した(N×(N-1))/2通りの第nチャネルと第mチャネルの組合せそれぞれについて、チャネル間相関値γnmと先行チャネル情報INFOnmを第１実施形態の左右関係情報推定部１８３と同様に得ればよい。すなわち、チャネル間関係情報推定部１８６は、例えば、第１実施形態の左右関係情報推定部１８３の説明箇所の各例における左チャネルを第nチャネルと読み替え、右チャネルを第mチャネルと読み替え、Lをnと読み替え、Rをmと読み替え、先行チャネル情報を先行チャネル情報INFOnmと読み替え、左右相関値γをチャネル間相関値γnmと読み替えて、第１実施形態の左右関係情報推定部１８３の各例と同様の動作を上述した(N×(N-1))/2通りの第nチャネルと第mチャネルの組合せそれぞれについて行うことで、第nチャネルと第mチャネルの組合せそれぞれについてのチャネル間相関値γnmと先行チャネル情報INFOnmを得ることができる。
　例えば、相関の大きさを表す値として相関係数の絶対値を用いるのであれば、チャネル間関係情報推定部１８６は、上述した(N×(N-1))/2通りの第nチャネルと第mチャネルの組合せそれぞれについて、予め定めたτmaxからτminまでの各候補サンプル数τcandについての、第nチャネル入力音信号のサンプル列と、各候補サンプル数τcand分だけ当該サンプル列より後にずれた位置にある第mチャネル入力音信号のサンプル列と、の相関係数の絶対値γcand、のうちの最大値をチャネル間相関係数γnmとして得て出力し、相関係数の絶対値が最大値のときのτcandが正の値である場合には、第nチャネルが先行していることを表す情報を先行チャネル情報INFOnmとして得て出力し、相関係数の絶対値が最大値のときのτcandが負の値である場合には、第mチャネルが先行していることを表す情報を先行チャネル情報INFOnmとして得て出力する。チャネル間関係情報推定部１８６は、第nチャネルと第mチャネルの組合せのそれぞれについて、相関係数の絶対値が最大値のときのτcandが０である場合には、第nチャネルが先行していることを表す情報を先行チャネル情報INFOnmとして得て出力してもよいし、第mチャネルが先行していることを表す情報を先行チャネル情報INFOnmとして得て出力してもよい。なお、τmaxとτminについては第１実施形態と同様である。
　また例えば、相関係数の絶対値に代えて、以下のように信号の位相の情報を用いた相関値をγcandとしてもよい。この例においては、チャネル間関係情報推定部１８６は、まず、第1チャネル入力音信号から第Nチャネル入力音信号までの各チャネルiについて、入力音信号xi(1), xi(2), ..., xi(T)を下記の式（２－１）のようにフーリエ変換することにより、0からT-1の各周波数kにおける周波数スペクトルXi(k)を得る。
Figure JPOXMLDOC01-appb-M000016
　チャネル間関係情報推定部１８６は、次に、上述した(N×(N-1))/2通りの第nチャネルと第mチャネルの組合せそれぞれについて以降の処理を行う。チャネル間関係情報推定部１８６は、まず、式（２－１）で得られた各周波数kにおける第nチャネルの周波数スペクトルXn(k)及び第mチャネルの周波数スペクトルXm(k)を用いて、下記の式（２－２）により、各周波数kにおける位相差のスペクトルφ(k)を得る。
Figure JPOXMLDOC01-appb-M000017
　チャネル間関係情報推定部１８６は、次に、式（２－２）で得られた位相差のスペクトルを逆フーリエ変換することにより、式（１－４）のようにτmaxからτminまでの各候補サンプル数τcandについて位相差信号ψ(τcand)を得る。チャネル間関係情報推定部１８６は、次に、位相差信号ψ(τcand)の絶対値である相関値γcandの最大値をチャネル間相関値γnmとして得て出力し、相関値が最大値のときのτcandが正の値である場合には、第nチャネルが先行していることを表す情報を先行チャネル情報INFOnmとして得て出力し、相関値が最大値のときのτcandが負の値である場合には、第mチャネルが先行していることを表す情報を先行チャネル情報INFOnmとして得て出力する。チャネル間関係情報推定部１８６は、相関値が最大値のときのτcandが０である場合には、第nチャネルが先行していることを表す情報を先行チャネル情報INFOnmとして得て出力してもよいし、第mチャネルが先行していることを表す情報を先行チャネル情報INFOnmとして得て出力してもよい。
　なお、チャネル間関係情報推定部１８６は、左右関係情報推定部１８３と同様に、相関値γcandとして位相差信号ψ(τcand)の絶対値をそのまま用いることに代えて、例えば各τcandについて位相差信号ψ(τcand)の絶対値に対するτcand前後にある複数個の候補サンプル数それぞれについて得られた位相差信号の絶対値の平均との相対差のような、正規化された値を用いてもよい。つまり、チャネル間関係情報推定部１８６は、各τcandについて、予め定めた正の数τrangeを用いて、式（１－５）により平均値を得て、得られた平均値ψc(τcand)と位相差信号ψ(τcand)を用いて式（１－６）により得られる正規化された相関値をγcandとして用いてもよい。
［ダウンミックス部１１６］
　ダウンミックス部１１６には、音信号ダウンミックス装置４０６に入力されたN個のチャネルの入力音信号と、チャネル間関係情報推定部１８６が出力した上述した(N×(N-1))/2通りのnとmの組合せそれぞれについてのチャネル間相関値γnm（すなわち、N個のチャネルに含まれる２個のチャネルによる組合せそれぞれについてのチャネル間相関値）と、チャネル間関係情報推定部１８６が出力した上述した(N×(N-1))/2通りのnとmの組合せそれぞれについての先行チャネル情報INFOnm（すなわち、N個のチャネルに含まれる２個のチャネルによる組合せそれぞれについての先行チャネル情報）と、が入力される。ダウンミックス部１１６は、各チャネルの入力音信号に、当該チャネルより先行している各チャネルの入力音信号との相関が大きいほど小さく、当該チャネルより後行している各チャネルの入力音信号との相関が大きいほど大きい重みを与えて、N個のチャネルの入力音信号を重み付け加算してダウンミックス信号を得て出力する（ステップＳ１１６）。
［［ダウンミックス部１１６の具体例１］］
　各チャネルのチャネル番号（チャネルのインデックス）をiとし、第iチャネルの入力音信号をxi(1), xi(2), ..., xi(T)とし、ダウンミックス信号をxM(1), xM(2), ..., xM(T)として、ダウンミックス部１１６の具体例１を説明する。具体例１では、チャネル間相関値は、チャネル間関係情報推定部１８６の説明箇所で上述した例の相関係数の絶対値や正規化された値のように、０以上１以下の値であるとする。またここで、Mはチャネルの番号ではなく、ダウンミックス信号がモノラルの信号であることを意図した添え字である。ダウンミックス部１１６は、例えば下記のステップＳ１１６－１からステップＳ１１６－３の処理を行うことにより、ダウンミックス信号を得る。ダウンミックス部１１６は、まず、各第iチャネルについて、ダウンミックス部１１６に入力された先行チャネル情報INFOnmのうちの当該第iチャネルを含む(N-1)通りの２個のチャネルによる組合せの先行チャネル情報から、当該第iチャネルに対して先行しているチャネルのチャネル番号の集合ILiと、当該第iチャネルに対して後行しているチャネルのチャネル番号の集合IFiと、を得る（ステップＳ１１６－１）。ダウンミックス部１１６は、次に、各第iチャネルについて、ダウンミックス部１１６に入力されたチャネル間相関値γnmのうちの当該第iチャネルを含む(N-1)通りの２個のチャネルによる組合せのチャネル間相関値と、当該第iチャネルに対して先行しているチャネルのチャネル番号の集合ILiと、当該第iチャネルに対して後行しているチャネルのチャネル番号の集合IFiと、を用いて下記の式（２－３）により当該第iチャネルの重みwiを得る（ステップＳ１１６－２）。
Figure JPOXMLDOC01-appb-M000018
　なお、上述したnとmの組合せそれぞれについて、チャネル間相関値γmnはチャネル間相関値γnmと同じ値であるので、iがjより大きい値であるときのチャネル間相関値γijも、iがkより大きい値であるときのチャネル間相関値γikも、ダウンミックス部１１６に入力されたチャネル間相関値γnmに含まれている。
　ダウンミックス部１１６は、次に、iが1からNまでの各第iチャネルの入力音信号xi(1), xi(2), ..., xi(T)、iが1からNまでの各第iチャネルの重みwiと、を用いて、サンプル番号t（サンプルのインデックスt）ごとに下記の式（２－４）によりダウンミックス信号サンプルxM(t)を得ることで、ダウンミックス信号xM(1), xM(2), ..., xM(T)を得る（ステップＳ１１６－３）。
Figure JPOXMLDOC01-appb-M000019
　なお、ダウンミックス部１１６は、ステップＳ１１６－２とステップＳ１１６－３を順に行うのではなく、式（２－４）の重みwiを式（２－３）の右辺に置き換えた式を用いてダウンミックス信号を得てもよい。すなわち、ダウンミックス部１１６は、各第iチャネルについての、当該第iチャネルに対して先行しているチャネルのチャネル番号の集合をILiとし、各第iチャネルについての、当該第iチャネルに対して後行しているチャネルのチャネル番号の集合をIFiとし、各第iチャネルについての、当該第iチャネルと当該第iチャネルに対して先行している各チャネルjとの組合せそれぞれについてのチャネル間相関値をγijとし、各第iチャネルについての、当該第iチャネルと当該第iチャネルに対して後行している各チャネルkとの組合せそれぞれについてのチャネル間相関値をγikとし、各第iチャネルについての重みを式（２－３）により表されるwiとして、式（２－４）によりダウンミックス信号の各サンプルxM(t)を得ればよい。
　式（２－４）はN個のチャネルの入力音信号を重み付け加算してダウンミックス信号を得る式であり、その重み付け加算において各第iチャネルの入力音信号に与える各第iチャネルの重みwiを得るのが式（２－３）である。式（２－３）のうちの下記の式（２－３－Ａ）の部分は、第iチャネルの入力音信号が第iチャネルに対して先行している各チャネルの入力音信号との相関が大きいほど重みwiが小さな値になるようにするものであり、第iチャネルに対して先行しているチャネルの中に、第iチャネルの入力音信号と先行しているチャネルの入力音信号との相関が非常に大きいチャネルが１つでもあれば、重みwiが０に近い値となるようにするものである。
Figure JPOXMLDOC01-appb-M000020
　式（２－３）のうちの下記の式（２－３－Ｂ）の部分は、第iチャネルに対して後行している各チャネルの入力音信号との相関が大きいほど重みwiが１より大きな値となるようにするものである。
Figure JPOXMLDOC01-appb-M000021
　全てのチャネルの入力音信号が独立している場合、すなわち、何れのチャネル間にも相関がない場合には、全チャネルの入力音信号の単純な加算平均をダウンミックス信号とするのが望ましい。そこで、式（２－３）では、式（２－３－Ａ）の部分の最大値を１となるようにして、式（２－３－Ｂ）の部分の最小値が１となるようにして、式（２－３－Ａ）と式（２－３－Ｂ）と1/Nを乗算したものを重みwiとすることで、チャネル間の相関が全て小さな値であるときには、全てのチャネルの重みwiが1/Nに近い値となるようにしている。
［［ダウンミックス部１１６の具体例２］］
　具体例１のステップＳ１１６－１でダウンミックス部１１６が得た重みwiの全チャネルの合計値は１とならないことあるので、ダウンミックス部１１６は、重みの全チャネルの合計値が１となるように各第iチャネルの重みwiを正規化して得た値を式（２－４）の重みwiに代えて用いたり、重みの全チャネルの合計値が１となるように重みwiを正規化することを含むように式（２－４）を変形した式を用いたりすることにより、ダウンミックス信号を得るようにしてもよい。この例をダウンミックス部１１６の具体例２として、具体例１と異なる点を説明する。
　例えば、ダウンミックス部１１６は、各第iチャネルについての重みwiを式（２－３）により得て、各第iチャネルについての重みwiを全チャネルの合計値が１となるように正規化して正規化済重みw'iを得て（すなわち、各第iチャネルについて下記の式（２－５）により正規化済重みw'iを得て）、iが1からNまでの各第iチャネルの入力音信号xi(1), xi(2), ..., xi(T)と正規化済重みw'iを用いて、サンプル番号tごとに下記の式（２－６）によりダウンミックス信号サンプルxM(t)を得ることで、ダウンミックス信号xM(1), xM(2), ..., xM(T)を得てもよい。
Figure JPOXMLDOC01-appb-M000022
Figure JPOXMLDOC01-appb-M000023
　すなわち、ダウンミックス部１１６は、各第iチャネルについての、当該第iチャネルに対して先行しているチャネルのチャネル番号の集合をILiとし、各第iチャネルについての、当該第iチャネルに対して後行しているチャネルのチャネル番号の集合をIFiとし、各第iチャネルについての、当該第iチャネルと当該第iチャネルに対して先行している各チャネルjとの組合せそれぞれについてのチャネル間相関値をγijとし、各第iチャネルについての、当該第iチャネルと当該第iチャネルに対して後行している各チャネルkとの組合せそれぞれについてのチャネル間相関値をγikとし、各第iチャネルについての重みを式（２－３）により表されるwiとし、各第iチャネルについての正規化された重みを式（２－５）により表されるw'iとして、式（２－６）によりダウンミックス信号の各サンプルxM(t)を得ればよい。
≪第２例≫
　例えば、音信号ダウンミックス装置とは別の装置がN個のチャネルの入力音信号をステレオ符号化処理する場合、N個のチャネルの入力音信号が音信号ダウンミックス装置とは別の装置によるステレオ復号処理により得られた信号である場合、などにおいては、チャネル間関係情報推定部１８６が得るのと同じチャネル間相関値γnmと先行チャネル情報INFOnmの何れかまたは全てが音信号ダウンミックス装置とは別装置で得られている場合がある。チャネル間相関値γnmと先行チャネル情報INFOnmの何れかまたは全てが別装置で得られている場合は、音信号ダウンミックス装置には、別装置で得たチャネル間相関値γnmと先行チャネル情報INFOnmの何れかまたは全てが入力されるようにして、チャネル間関係情報推定部１８６は、音信号ダウンミックス装置に入力されなかったチャネル間相関値γnmや先行チャネル情報INFOnmを得るようにすればよい。以下、チャネル間相関値γnmと先行チャネル情報INFOnmの何れかまたは全てが外部から入力されることを想定した音信号ダウンミックス装置の例を第２例として、第１例と異なる点を中心に説明する。
　第２例の音信号ダウンミックス装置４０７は、図７に示す通り、チャネル間関係情報取得部１８７とダウンミックス部１１６を含む。音信号ダウンミックス装置４０７には、N個のチャネルの入力音信号に加えて、図７に一点鎖線で示す通り、別装置で得たチャネル間相関値γnmと先行チャネル情報INFOnmの何れかまたは全てが入力されてもよい。第２例の音信号ダウンミックス装置４０７は、各フレームについて、図８に例示するステップＳ１８７とステップＳ１１６の処理を行う。ダウンミックス部１１６とステップＳ１１６は第１例と同じであるので、以下ではチャネル間関係情報取得部１８７とステップＳ１８７について説明する。
［チャネル間関係情報取得部１８７］
　チャネル間関係情報取得部１８７は、N個のチャネルに含まれる２個のチャネルによる組合せそれぞれについての相関の大きさを表す値であるチャネル間相関値γnmと、N個のチャネルに含まれる２個のチャネルによる組合せそれぞれについての、同じ音信号が２個のチャネルの入力音信号のどちらに先に含まれているかを表す情報である先行チャネル情報INFOnmと、を得て出力する（ステップＳ１８７）。
　チャネル間相関値γnmと先行チャネル情報INFOnmの全てが別装置から音信号ダウンミックス装置４０７に入力された場合には、図７に一点鎖線で示すように、チャネル間関係情報取得部１８７は音信号ダウンミックス装置４０７に入力されたチャネル間相関値γnmと先行チャネル情報INFOnmを得てダウンミックス部１１６に対して出力する。
　チャネル間相関値γnmと先行チャネル情報INFOnmの何れか一方が別装置から音信号ダウンミックス装置４０７に入力されていない場合には、図７に破線で示すように、チャネル間関係情報取得部１８７は、チャネル間関係情報推定部１８６を備える。チャネル間関係情報取得部１８７のチャネル間関係情報推定部１８６は、音信号ダウンミックス装置４０７に入力されていないチャネル間相関値γnmまたは音信号ダウンミックス装置４０７に入力されていない先行チャネル情報INFOnmを、第１例のチャネル間関係情報推定部１８６と同様にN個のチャネルの入力音信号から得て、ダウンミックス部１１６に対して出力する。音信号ダウンミックス装置４０７に入力されたチャネル間相関値γnmまたは音信号ダウンミックス装置４０７に入力された先行チャネル情報INFOnmについては、チャネル間関係情報取得部１８７は、図７に一点鎖線で示すように、音信号ダウンミックス装置４０７に入力されたチャネル間相関値γnmまたは音信号ダウンミックス装置４０７に入力された先行チャネル情報INFOnmをダウンミックス部１１６に対して出力する。
　チャネル間相関値γnmと先行チャネル情報INFOnmの全てが別装置から音信号ダウンミックス装置４０７に入力されていない場合には、図７に破線で示すように、チャネル間関係情報取得部１８７はチャネル間関係情報推定部１８６を備える。チャネル間関係情報推定部１８６は、チャネル間相関値γnmと先行チャネル情報INFOnmを、第１例のチャネル間関係情報推定部１８６と同様にN個のチャネルの入力音信号から得て、ダウンミックス部１１６に対して出力する。すなわち、第１例のチャネル間関係情報推定部１８６とステップＳ１８６のそれぞれは、チャネル間関係情報取得部１８７とステップＳ１８７の範疇であるといえる。
　なお、チャネル間相関値γnmの一部が他装置で得られているもののチャネル間相関値γnmの残りが他装置で得られていない場合、先行チャネル情報INFOnmの一部が他装置で得られているものの先行チャネル情報INFOnmの残りが他装置で得られていない場合、なども有り得るが、これらの場合も、チャネル間関係情報取得部１８７はチャネル間関係情報推定部１８６を備えるようにして、上記と同様に、他装置で得られて音信号ダウンミックス装置４０７に入力されたものは、チャネル間関係情報取得部１８７がダウンミックス部１１６に対して出力し、他装置で得られておらず音信号ダウンミックス装置４０７に入力されないものは、チャネル間関係情報推定部１８６が第１例のチャネル間関係情報推定部１８６と同様にN個のチャネルの入力音信号から得て、ダウンミックス部１１６に対して出力すればよい。
＜第３実施形態＞
　第２実施形態のチャネル間関係情報推定部１８６は、N個のチャネルに含まれる２個のチャネルによる組合せそれぞれについてチャネル間相関値γnmと先行チャネル情報INFOnmを得る必要がある。N個のチャネルに含まれる２個のチャネルによる組合せは、(N×(N-1))/2通りあることから、第２実施形態のチャネル間関係情報推定部１８６の説明箇所で例示した方法でチャネル間相関値γnmと先行チャネル情報INFOnmを得ると、チャネル数が多い場合には演算処理量が課題となることがある。第３実施形態では、チャネル間関係情報推定部１８６よりも演算処理量が少ない方法で近似的にチャネル間相関値γnmと先行チャネル情報INFOnmを得るチャネル間関係情報推定処理を含む音信号ダウンミックス装置について説明する。第３実施形態のダウンミックス処理は第２実施形態と同様である。
　第２実施形態のダウンミックス部１１６が行うダウンミックス処理は、例えば、ある音源が発した同じ音のみが時間差が与えられた状態で複数個のチャネルの信号に含まれている場合には、当該複数個のチャネルの入力音信号のうちの最も早く含まれているチャネルの入力音信号をダウンミックス信号に含めるようにする処理である。この処理を、チャネル数が６であり、第１チャネル(1ch)から第６チャネル(6ch)の入力音信号が図９に模式的に示す信号である例で説明する。この例では、第１チャネル入力音信号と第２チャネル入力音信号は第１の音源が発した同じ第１の音信号のみが時間差が与えられた状態で含まれた信号であり、第１の音信号は第２チャネル入力音信号に最も早く含まれている。この例では、また、第３チャネル入力音信号から第６チャネル入力音信号は第２の音源が発した同じ第２の音信号のみが時間差が与えられた状態で含まれた信号であり、第２の音信号は第６チャネル入力音信号に最も早く含まれている。この例であれば、ダウンミックス部１１６は、第１の音信号が最も早く含まれる第２チャネル入力音信号と第２の音信号が最も早く含まれる第６チャネル入力音信号を含み、第１チャネル入力音信号及び第３チャネル入力音信号から第５チャネル入力音信号を含まないダウンミックス信号を得る。このようなダウンミックス信号を得るのであれば、隣接しないチャネル間のチャネル間相関値γnmを、チャネル間相関値が０以上１以下の値であるとしたときの隣接するチャネル間のチャネル間相関値γ12=1、γ23=0、γ34=1、γ45=1、γ56=1を用いて下記の各式により近似的に得ても問題は生じない。
　　　　　γ13 = γ12×γ23 = 1×0 = 0
　　　　　γ14 = γ12×γ23×γ34 = 1×0×1 = 0
　　　　　γ15 = γ12×γ23×γ34×γ45 = 1×0×1×1 = 0
　　　　　γ16 = γ12×γ23×γ34×γ45×γ56 = 1×0×1×1×1 = 0
　　　　　γ24 = γ23×γ34 = 0×1 = 0
　　　　　γ25 = γ23×γ34×γ45 = 0×1×1 = 0
　　　　　γ26 = γ23×γ34×γ45×γ56 = 0×1×1×1 = 0
　　　　　γ35 = γ34×γ45 = 1×1 = 1
　　　　　γ36 = γ34×γ45×γ56 = 1×1×1 = 1
　　　　　γ46 = γ45×γ56 = 1×1 = 1
　同様に、隣接しないチャネル間の時間差を、隣接するチャネル間の時間差τ12、τ23、τ34、τ45、τ56を用いて下記の各式により近似的に得て、得たチャネル間の時間差が正であるか負であるか0であるかによって先行チャネル情報INFOnmを近似的に得ても問題は生じない。
　　　　　τ13 = τ12＋τ23
　　　　　τ14 = τ12＋τ23＋τ34
　　　　　τ15 = τ12＋τ23＋τ34＋τ45
　　　　　τ16 = τ12＋τ23＋τ34＋τ45＋τ56
　　　　　τ24 = τ23＋τ34
　　　　　τ25 = τ23＋τ34＋τ45
　　　　　τ26 = τ23＋τ34＋τ45＋τ56
　　　　　τ35 = τ34＋τ45
　　　　　τ36 = τ34＋τ45＋τ56
　　　　　τ46 = τ45＋τ56
　ただし、チャネル間相関値γnmと先行チャネル情報INFOnmを上記の各式を用いて近似的に得ることができるのは、図９に例示したように同一または類似する波形の入力音信号が連続したチャネルに配置されている場合に限られ、図１０に例示するように、入力音信号の波形が同一または類似するチャネルの間に入力音信号の波形が大きく異なるチャネルが存在する場合には、チャネル間相関値γnmと先行チャネル情報INFOnmを上記の各式を用いて近似的に得ることはできない。そこで、第３実施形態の音信号ダウンミックス装置では、N個のチャネルの入力音信号を、入力音信号の波形が同一または類似するチャネルの間に入力音信号の波形が大きく異なるチャネルが存在しないように並び替えて、並び替え後の隣接するチャネル間についてチャネル間相関値γnmと先行チャネル情報INFOnmを得て、並び替え後の隣接するチャネル間のチャネル間相関値γnmと先行チャネル情報INFOnmを用いて、その他のチャネル間相関値γnmと先行チャネル情報INFOnmを近似的に得る。
　≪第１例≫
　第３実施形態の第１例の音信号ダウンミックス装置について説明する。第１例の音信号ダウンミックス装置４０８は、図５に示す通り、チャネル間関係情報推定部１８８とダウンミックス部１１６を含む。第１例の音信号ダウンミックス装置４０８は、各フレームについて、図６に例示するステップＳ１８８とステップＳ１１６の処理を行う。ダウンミックス部１１６とステップＳ１１６は第２実施形態の第１例と同じであるので、以下では、第２実施形態の第１例と異なるチャネル間関係情報推定部１８８とステップＳ１８８について説明する。音信号ダウンミックス装置４０８に入力されるのは第２実施形態の第１例の音信号ダウンミックス装置４０８と同様にN個のチャネルの時間領域の音信号であり、音信号ダウンミックス装置４０８が得て出力するのは第２実施形態の第１例の音信号ダウンミックス装置４０６と同様に時間領域のモノラルの音信号であるダウンミックス信号である。
［チャネル間関係情報推定部１８８］
　チャネル間関係情報推定部１８８には、音信号ダウンミックス装置４０８に入力されたN個のチャネルの入力音信号が入力される。第２実施形態ではチャネル数Nは２以上の整数であったが、チャネル数Nが２である場合には入力音信号の波形が同一または類似するチャネルの間に入力音信号の波形が大きく異なるチャネルが存在することはないので、第３実施形態ではチャネル数Nは３以上の整数である。チャネル間関係情報推定部１８８は、例えば、図１１に示す通り、チャネル並び替え部１８８１と隣接チャネル間関係情報推定部１８８２とチャネル間関係情報補完部１８８３を含む。チャネル間関係情報推定部１８８は、チャネル間関係情報推定部１８８は、例えば、各フレームについて、図１２に例示するステップＳ１８８１とステップＳ１８８２とステップＳ１８８３の処理を行う（ステップＳ１８８）。
［［チャネル並び替え部１８８１］］
　チャネル並び替え部１８８１は、例えば、第１チャネルから順に、残りのチャネルのうちの時間差を揃えたときに入力音信号の波形の類似の度合いが最も高いチャネルが隣接するチャネルとなるように、逐次的に並び替えを行って、N個のチャネルの並び替え後の信号である第１並び替え済入力音信号から第N並び替え済入力音信号と、各並び替え済入力音信号が音信号ダウンミックス装置４０８に入力されたときのチャネル番号（すなわち、入力音信号のチャネル番号）である第１原チャネル情報c1から第N原チャネル情報cNと、を得て出力する（ステップＳ１８８１Ａ）。チャネル並び替え部１８８１は、時間差を揃えたときの波形の類似の度合いとしては、時間差を揃えたときの２つのチャネルの入力音信号間の距離の近さを表す値、時間差を揃えたときの２つのチャネルの入力音信号の内積を２つのチャネルの入力音信号のエネルギーの相乗平均で除算値などの相関の大きさを表す値、などを用いればよい。
　例えば、時間差を揃えたときの波形の類似の度合いとして、時間差を揃えたときの２つのチャネルの入力音信号間の距離の近さを表す値を用いるのであれば、チャネル並び替え部１８８１は、以下のステップＳ１８８１Ａ－１からステップＳ１８８１Ａ－Ｎを行う。チャネル並び替え部１８８１は、まず、第１チャネル入力音信号を第１並び替え済入力音信号として得て、第１チャネルのチャネル番号である"1"を第１原チャネル情報c1として得る（ステップＳ１８８１Ａ－１）。
　次に、チャネル並び替え部１８８１は、第２チャネルから第Nチャネルの各チャネルmについての予め定めたτmaxからτminまで（例えば、τmaxは正の数、τminは負の数）の各候補サンプル数τcandについて、第１並び替え済入力音信号のサンプル列と、各候補サンプル数τcand分だけ当該サンプル列より後にずれた位置にある第mチャネル入力音信号のサンプル列と、の距離を得て、距離が最小値であるチャネルmの入力音信号を第２並び替え済入力音信号として得て、距離が最小値であるチャネルmのチャネル番号を第２原チャネル情報c2として得る（ステップＳ１８８１Ａ－２）。
　次に、チャネル並び替え部１８８１は、第２チャネルから第Nチャネルのうちのまだ並び替え済入力音信号としていない各チャネルmについてのτmaxからτminまでの各候補サンプル数τcandについて、第２並び替え済入力音信号のサンプル列と、各候補サンプル数τcand分だけ当該サンプル列より後にずれた位置にある第mチャネル入力音信号のサンプル列と、の距離を得て、距離が最小値であるチャネルmの入力音信号を第３並び替え済入力音信号として得て、距離が最小値であるチャネルmのチャネル番号を第３原チャネル情報c3として得る（ステップＳ１８８１Ａ－３）。以降、まだ並び替え済入力音信号としていないチャネルが残り１つになるまで同様の処理を繰り返して、第４並び替え済入力音信号から第(N-1)並び替え済入力音信号までと、第４原チャネル情報c4から第(N-1)原チャネル情報c(N-1)までと、を得る（ステップＳ１８８１Ａ－４からステップＳ１８８１Ａ－（Ｎ－１））。
　最後に、チャネル並び替え部１８８１は、まだ並び替え済入力音信号としていない残り１つのチャネルの入力音信号を第N並び替え済入力音信号として得て、まだ並び替え済入力音信号としていない残り１つのチャネルのチャネル番号を第N原チャネル情報cNとして得る（ステップＳ１８８１Ａ－Ｎ）。なお、以下では、1以上N以下の各nについての第n並び替え済入力音信号のことを並び替え後の第nチャネルの入力音信号ともいい、第n並び替え済入力音信号のnのことを並び替え後のチャネル番号ともいう。
　なお、チャネル並び替え部１８８１は、入力音信号の波形が同一または類似するチャネルの間に入力音信号の波形が大きく異なるチャネルが存在しないようにN個のチャネルの入力音信号を並び替えることが目的であること、並び替えの処理に要する演算処理量は少ないほうがよいこと、などを考慮して、時間差を揃えずに類似の度合いを評価して並び替えを行ってもよい。例えば、チャネル並び替え部１８８１は、以下のステップＳ１８８１Ｂ－１からステップＳ１８８１Ｂ－Ｎを行ってもよい。チャネル並び替え部１８８１は、まず、第１チャネル入力音信号を第１並び替え済入力音信号として得て、第１チャネルのチャネル番号である"1"を第１原チャネル情報c1として得る（ステップＳ１８８１Ｂ－１）。
　次に、チャネル並び替え部１８８１は、第２チャネルから第Nチャネルの各チャネルmについて、第１並び替え済入力音信号のサンプル列と第mチャネル入力音信号のサンプル列との距離を得て、距離が最小値であるチャネルmの入力音信号を第２並び替え済入力音信号として得て、距離が最小値であるチャネルmのチャネル番号を第２原チャネル情報c2として得る（ステップＳ１８８１Ｂ－２）。
　次に、チャネル並び替え部１８８１は、第２チャネルから第Nチャネルのうちのまだ並び替え済入力音信号としていない各チャネルmについて、第２並び替え済入力音信号のサンプル列と第mチャネル入力音信号のサンプル列との距離を得て、距離が最小値であるチャネルmの入力音信号を第３並び替え済入力音信号として得て、距離が最小値であるチャネルmのチャネル番号を第３原チャネル情報c3として得る（ステップＳ１８８１Ｂ－３）。以降、まだ並び替え済入力音信号としていないチャネルが残り１つになるまで同様の処理を繰り返して、第４並び替え済入力音信号から第(N-1)並び替え済入力音信号までと、第４原チャネル情報c4から第(N-1)原チャネル情報c(N-1)までと、を得る（ステップＳ１８８１Ｂ－４からステップＳ１８８１Ｂ－（Ｎ－１））。
　最後に、チャネル並び替え部１８８１は、まだ並び替え済入力音信号としていない残り１つのチャネルの入力音信号を第N並び替え済入力音信号として得て、まだ並び替え済入力音信号としていない残り１つのチャネルのチャネル番号を第N原チャネル情報cNとして得る（ステップＳ１８８１Ｂ－Ｎ）。
　要するに、チャネル並び替え部１８８１は、時間差を揃えるか否かや、信号間の類似の度合いにどのような値を用いるかに関わらず、第１チャネルから順に、残りのチャネルのうちの入力音信号が最も類似するチャネルが隣接するチャネルとなるように、逐次的に並び替えを行って、N個のチャネルの並び替え後の信号である第１並び替え済入力音信号から第N並び替え済入力音信号と、各並び替え済入力音信号が音信号ダウンミックス装置４０８に入力されたときのチャネル番号（すなわち、入力音信号のチャネル番号）である第１原チャネル情報c1から第N原チャネル情報cNと、を得て出力すればよい（ステップＳ１８８１）。
［隣接チャネル間関係情報推定部１８８２］
　隣接チャネル間関係情報推定部１８８２には、第１並び替え済入力音信号から第N並び替え済入力音信号までのN個の並び替え済入力音信号が入力される。隣接チャネル間関係情報推定部１８８２は、N個の並び替え済入力音信号のうちの並び替え後のチャネル番号が隣接する２個の並び替え後のチャネルによる組合せそれぞれについてのチャネル間相関値とチャネル間時間差と、を得て出力する（ステップＳ１８８２）。
　ステップＳ１８８２で得るチャネル間相関値は、並び替え後のチャネル番号が隣接する２個の並び替え後のチャネルによる組合せそれぞれについての、並び替え済入力音信号間の時間差を考慮した相関値、すなわち、並び替え済入力音信号間の時間差を考慮した相関の大きさを表す値、である。N個のチャネルに含まれる２個のチャネルによる組合せは(N-1)通りある。nを1以上N-1以下の各整数とし、第n並び替え済入力音信号と第(n+1)並び替え済チャネル入力音信号との間のチャネル間相関値をγ'n(n+1)とすると、隣接チャネル間関係情報推定部１８８２は、並び替え後のチャネル番号が隣接する２個の並び替え後のチャネルによる組合せ(N-1)通りのそれぞれについてのチャネル間相関値γ'n(n+1)を得る。
　ステップＳ１８８２で得るチャネル間時間差は、並び替え後のチャネル番号が隣接する２個の並び替え後のチャネルによる組合せそれぞれについての、同じ音信号が２個の並び替え済入力音信号のどちらにどれくらい先に含まれているかを表す情報である。第n並び替え済入力音信号と第(n+1)並び替え済入力音信号との間のチャネル間時間差をτ'n(n+1)とすると、隣接チャネル間関係情報推定部１８８２は、並び替え後のチャネル番号が隣接する２個の並び替え後のチャネルによる組合せ(N-1)通りのそれぞれについてのチャネル間時間差をτ'n(n+1)を得る。
　例えば、相関の大きさを表す値として相関係数の絶対値を用いるのであれば、隣接チャネル間関係情報推定部１８８２は、1以上N-1以下の各nについて（すなわち、並び替え後のチャネル番号が隣接する２個の並び替え後のチャネルによる組合せのそれぞれについて）、予め定めたτmaxからτminまでの各候補サンプル数τcandについての、第n並び替え済入力音信号のサンプル列と、各候補サンプル数τcand分だけ当該サンプル列より後にずれた位置にある第(n+1)並び替え済入力音信号のサンプル列と、の相関係数の絶対値γcand、のうちの最大値をチャネル間相関値γ'n(n+1)として得て出力し、相関係数の絶対値が最大値のときのτcandをチャネル間時間差τ'n(n+1)として得て出力する。
　また例えば、相関係数の絶対値に代えて、以下のように信号の位相の情報を用いた相関値をγcandとしてもよい。この例においては、隣接チャネル間関係情報推定部１８８２は、まず、第1チャネル入力音信号から第Nチャネル入力音信号までの各チャネルiについて、入力音信号xi(1), xi(2), ..., xi(T)を式（２－１）のようにフーリエ変換することにより、0からT-1の各周波数kにおける周波数スペクトルXi(k)を得る。
　隣接チャネル間関係情報推定部１８８２は、次に、1以上N-1以下の各nについて、すなわち、並び替え後のチャネル番号が隣接する２個の並び替え後のチャネルによる組合せのそれぞれについて、以降の処理を行う。隣接チャネル間関係情報推定部１８８２は、まず、式（２－１）で得られた各周波数kにおける第nチャネルの周波数スペクトルXn(k)及び第(n+1)チャネルの周波数スペクトルX(n+1)(k)を用いて、下記の式（３－１）により、各周波数kにおける位相差のスペクトルφ(k)を得る。
Figure JPOXMLDOC01-appb-M000024
　隣接チャネル間関係情報推定部１８８２は、次に、式（３－１）で得られた位相差のスペクトルを逆フーリエ変換することにより、式（１－４）のようにτmaxからτminまでの各候補サンプル数τcandについて位相差信号ψ(τcand)を得る。隣接チャネル間関係情報推定部１８８２は、次に、位相差信号ψ(τcand)の絶対値である相関値γcandの最大値をチャネル間相関値γ'n(n+1)として得て出力し、相関値が最大値のときのτcandをチャネル間時間差τ'n(n+1)として得て出力する。
　なお、隣接チャネル間関係情報推定部１８８２は、左右関係情報推定部１８３やチャネル間関係情報推定部１８６と同様に、相関値γcandとして位相差信号ψ(τcand)の絶対値をそのまま用いることに代えて、例えば各τcandについて位相差信号ψ(τcand)の絶対値に対するτcand前後にある複数個の候補サンプル数それぞれについて得られた位相差信号の絶対値の平均との相対差のような、正規化された値を用いてもよい。つまり、隣接チャネル間関係情報推定部１８８２は、各τcandについて、予め定めた正の数τrangeを用いて、式（１－５）により平均値を得て、得られた平均値ψc(τcand)と位相差信号ψ(τcand)を用いて式（１－６）により得られる正規化された相関値をγcandとして用いてもよい。
［チャネル間関係情報補完部１８８３］
　チャネル間関係情報補完部１８８３には、隣接チャネル間関係情報推定部１８８２が出力した、並び替え後のチャネル番号が隣接する２個の並び替え後のチャネルによる組合せそれぞれについての、チャネル間相関値とチャネル間時間差と、チャネル並び替え部１８８１が出力した、並び替え後の各チャネルについての原チャネル情報と、が入力される。チャネル間関係情報補完部１８８３は、下記のステップＳ１８８３－１からステップＳ１８８３－５の処理を行うことで、２個のチャネルによる組合せ全て（すなわち、並び替え元の２個のチャネルによる組合せ全て）についてのチャネル間相関値と先行チャネル情報を得て出力する（ステップＳ１８８３）。
　チャネル間関係情報補完部１８８３は、まず、並び替え後のチャネル番号が隣接する２個の並び替え後のチャネルによる組合せそれぞれについてのチャネル間相関値から、並び替え後のチャネル番号が隣接しない２個の並び替え後のチャネルによる組合せそれぞれについてのチャネル間相関値を得る（ステップＳ１８８３－１）。nを1以上N-2以下の各整数とし、mをn+2以上N以下の各整数とし、第n並び替え済入力音信号と第m並び替え済入力音信号との間のチャネル間相関値をγ'nmとすると、チャネル間関係情報補完部１８８３は、並び替え後のチャネル番号が隣接しない２個の並び替え後のチャネルによる組合せそれぞれについてのチャネル間相関値γ'nmを得る。
　並び替え後のチャネル番号が隣接する２個の並び替え後のチャネルによる組合せそれぞれにおける２個のチャネル番号をi（iは1以上N-1以下の各整数）とi+1とし、並び替え後のチャネル番号が隣接する２個の並び替え後のチャネルによる組合せそれぞれについてのチャネル間相関値をγ'i(i+1)とすると、例えば、チャネル間関係情報補完部１８８３は、nとmの組合せそれぞれについて（すなわち、並び替え後のチャネル番号が隣接しない２個の並び替え後のチャネルによる組合せそれぞれについて）、iがn以上m-1以下である並び替え後のチャネル番号が隣接する２個のチャネルによる組合せそれぞれについてのチャネル間相関値γ'i(i+1)の全てを乗算した値を、チャネル間相関値γ'nmとして得る。すなわち、チャネル間関係情報補完部１８８３は、チャネル間相関値γ'nmを下記の式（３－２）によって得る。
Figure JPOXMLDOC01-appb-M000025
　なお、チャネル間関係情報補完部１８８３は、nとmの組合せそれぞれについて（すなわち、並び替え後のチャネル番号が隣接しない２個の並び替え後のチャネルによる組合せそれぞれについて）、iがn以上m-1以下である並び替え後のチャネル番号が隣接する２個のチャネルによる組合せそれぞれについてのチャネル間相関値γ'i(i+1)の全ての相乗平均を、チャネル間相関値γ'nmとして得てもよい。すなわち、チャネル間関係情報補完部１８８３は、チャネル間相関値γ'nmを下記の式（３－３）によって得てもよい。
Figure JPOXMLDOC01-appb-M000026
　ただし、チャネル間相関値が相関係数の絶対値や正規化された値のような上限が１ではない値である場合には、並び替え後のチャネル番号が隣接しない２個の並び替え後のチャネルによる組合せそれぞれについてのチャネル間相関値が、当該チャネル間相関値が本来取り得る値の上限を超えないように、チャネル間関係情報補完部１８８３は、式(３－２）で表される乗算値ではなく式（３－３）で表される相乗平均をチャネル間相関値γ'nmとして得るほうがよい。
　なお、例えば、nとmの組合せそれぞれについて（すなわち、並び替え後のチャネル番号が隣接しない２個の並び替え後のチャネルによる組合せそれぞれについて）、iがn以上m-1以下である並び替え後のチャネル番号が隣接する２個のチャネルによる組合せの中に、組合せを構成する２つの入力音信号が異なる音信号を含むことにより相関が非常に小さい組合せがあった場合に、チャネル間相関値γ'nmをその組合せのチャネル間相関値γ'i(i+1)に依存する値とするようにしてもよい。例えば、チャネル間関係情報補完部１８８３は、nとmの組合せそれぞれについて（すなわち、並び替え後のチャネル番号が隣接しない２個の並び替え後のチャネルによる組合せそれぞれについて）、iがn以上m-1以下である並び替え後のチャネル番号が隣接する２個のチャネルによる組合せそれぞれについてのチャネル間相関値γ'i(i+1)のうちの最小値を、チャネル間相関値γ'nmとして得るようにしてもよい。また例えば、チャネル間関係情報補完部１８８３は、nとmの組合せそれぞれについて（すなわち、並び替え後のチャネル番号が隣接しない２個の並び替え後のチャネルによる組合せそれぞれについて）、iがn以上m-1以下である並び替え後のチャネル番号が隣接する２個のチャネルによる組合せそれぞれについてのチャネル間相関値γ'i(i+1)のうちの、最小値を含む複数個のチャネル間相関値γ'i(i+1)の乗算値または相乗平均を、チャネル間相関値γ'nmとして得るようにしてもよい。ただし、チャネル間相関値が相関係数の絶対値や正規化された値のような上限が１ではない値である場合には、並び替え後のチャネル番号が隣接しない２個の並び替え後のチャネルによる組合せそれぞれについてのチャネル間相関値が、当該チャネル間相関値が本来取り得る値の上限を超えないように、チャネル間関係情報補完部１８８３は、乗算値ではなく相乗平均をチャネル間相関値γ'nmとして得るほうがよい。
　要するに、並び替え後のチャネル番号が隣接する２個の並び替え後のチャネルによる組合せそれぞれにおける２個のチャネル番号をi（iは1以上N-1以下の各整数）とi+1とし、並び替え後のチャネル番号が隣接する２個の並び替え後のチャネルによる組合せそれぞれについてのチャネル間相関値をγ'i(i+1)とし、nを1以上N-2以下の各整数とし、mをn+2以上N以下の各整数とし、第n並び替え済入力音信号と第m並び替え済入力音信号との間のチャネル間相関値をγ'nmとすると、チャネル間関係情報補完部１８８３は、nとmの組合せそれぞれについて（すなわち、並び替え後のチャネル番号が隣接しない２個の並び替え後のチャネルによる組合せそれぞれについて）、iがn以上m-1以下である並び替え後のチャネル番号が隣接する２個のチャネルによる組合せそれぞれについてのチャネル間相関値γ'i(i+1)のうちの最小値を含む１個以上のチャネル間相関値γ'i(i+1)のそれぞれと単調非減少の関係にある値をチャネル間相関値γ'nmとして得ればよい。更には、並び替え後のチャネル番号が隣接する２個の並び替え後のチャネルによる組合せそれぞれにおける２個のチャネル番号をi（iは1以上N-1以下の各整数）とi+1とし、並び替え後のチャネル番号が隣接する２個の並び替え後のチャネルによる組合せそれぞれについてのチャネル間相関値をγ'i(i+1)とし、nを1以上N-2以下の各整数とし、mをn+2以上N以下の各整数とし、第n並び替え済入力音信号と第m並び替え済入力音信号との間のチャネル間相関値をγ'nmとすると、チャネル間関係情報補完部１８８３は、nとmの組合せそれぞれについて（すなわち、並び替え後のチャネル番号が隣接しない２個の並び替え後のチャネルによる組合せそれぞれについて）、iがn以上m-1以下である並び替え後のチャネル番号が隣接する２個のチャネルによる組合せそれぞれについてのチャネル間相関値γ'i(i+1)のうちの最小値を含む１個以上のチャネル間相関値γ'i(i+1)のそれぞれと、チャネル間相関値が取り得る値の範囲内で、単調非減少の関係にある値をチャネル間相関値γ'nmとして得ればよい。
　並び替え後のチャネル番号が隣接する２個の並び替え後のチャネルによる組合せそれぞれについてのチャネル間相関値は、隣接チャネル間関係情報推定部１８８２が得たものが入力されており、並び替え後のチャネル番号が隣接しない２個の並び替え後のチャネルによる組合せそれぞれについてのチャネル間相関値は、ステップＳ１８８３－１により得られるので、ステップＳ１８８３－１を行った時点で、チャネル間関係情報補完部１８８３には、N個の並び替え後のチャネルに含まれる２個の並び替え後のチャネルによる(N×(N-1))/2通りの組合せそれぞれについてのチャネル間相関値が全て存在する状態となる。すなわち、nを1以上N以下の各整数として、mをnより大きくN以下の各整数とし、第n並び替え済み入力音信号と第m並び替え済入力音信号との間のチャネル間相関値をγ'nmとすると、ステップＳ１８８３－１を行った時点で、チャネル間関係情報補完部１８８３には、(N×(N-1))/2通りの２個の並び替え後のチャネルによる組合せのそれぞれについてのチャネル間相関値γ'nmが存在している。
　チャネル間関係情報補完部１８８３は、ステップＳ１８８３－１の後に、(N×(N-1))/2通りの２個の並び替え後のチャネルによる組合せのそれぞれについてのチャネル間相関値γ'nmを、並び替え後の各チャネルについての原チャネル情報c1からcNを用いて、N個のチャネルの入力音信号におけるチャネルの組合せ（すなわち、並び替え元のチャネルの組合せ）に対応付けることで、N個のチャネルに含まれる２個のチャネルによる組合せそれぞれについての、入力音信号間のチャネル間相関値を得る（ステップＳ１８８３－２）。nを1以上N以下の各整数とし、mをnより大きくN以下の各整数とし、第nチャネル入力音信号と第mチャネル入力音信号との間のチャネル間相関値をγnmとすると、チャネル間関係情報補完部１８８３は、(N×(N-1))/2通りの２個のチャネルによる組合せのそれぞれについてのチャネル間相関値γnmを得る。
　チャネル間関係情報補完部１８８３は、また、並び替え後のチャネル番号が隣接する２個の並び替え後のチャネルによる組合せそれぞれについてのチャネル間時間差から、並び替え後のチャネル番号が隣接しない２個の並び替え後のチャネルによる組合せそれぞれについてのチャネル間時間差を得る（ステップＳ１８８３－３）。nを1以上N-2以下の各整数とし、mをn+2以上N以下の各整数とし、第nチャネル並び替え済入力音信号と第mチャネル並び替え済入力音信号との間のチャネル間時間差をτ'nmとすると、チャネル間関係情報補完部１８８３は、並び替え後のチャネル番号が隣接しない２個の並び替え後のチャネルによる組合せそれぞれについてのチャネル間時間差τ'nmを得る。並び替え後のチャネル番号が隣接する２個の並び替え後のチャネルによる組合せそれぞれにおける２個のチャネル番号をi（iは1以上N-1以下の各整数）とi+1とし、並び替え後のチャネル番号が隣接する２個の並び替え後のチャネルによる組合せそれぞれについてのチャネル間時間差をτ'i(i+1)とすると、チャネル間関係情報補完部１８８３は、nとmの組合せそれぞれについて（すなわち、並び替え後のチャネル番号が隣接しない２個の並び替え後のチャネルによる組合せそれぞれについて）、iがn以上m-1以下である並び替え後のチャネル番号が隣接する２個のチャネルによる組合せそれぞれについてのチャネル間時間差τ'i(i+1)の全てを加算した値を、チャネル間時間差τ'nmとして得る。すなわち、チャネル間関係情報補完部１８８３は、チャネル間時間差τ'nmを下記の式（３－４）によって得る。
Figure JPOXMLDOC01-appb-M000027
　並び替え後のチャネル番号が隣接する２個の並び替え後のチャネルによる組合せそれぞれについてのチャネル間時間差は、隣接チャネル間関係情報推定部１８８２が得たものが入力されており、並び替え後のチャネル番号が隣接しない２個の並び替え後のチャネルによる組合せそれぞれについてのチャネル間時間差は、ステップＳ１８８３－３により得られるので、ステップＳ１８８３－３を行った時点で、チャネル間関係情報補完部１８８３には、N個の並び替え後のチャネルに含まれる２個の並び替え後のチャネルによる(N×(N-1))/2通りの組合せそれぞれについてのチャネル間時間差が全て存在する状態となる。すなわち、nを1以上N以下の各整数とし、mをnより大きくN以下の各整数とし、並び替え後の第nチャネルと並び替え後の第mチャネルによる組合せについてのチャネル間時間差をτ'nmとすると、ステップＳ１８８３－３を行った時点で、チャネル間関係情報補完部１８８３には、(N×(N-1))/2通りの２個の並び替え後のチャネルによる組合せのそれぞれについてのチャネル間時間差τ'nmが存在している。
　チャネル間関係情報補完部１８８３は、ステップＳ１８８３－３の後に、(N×(N-1))/2通りの２個の並び替え後のチャネルによる組合せのそれぞれについてチャネル間時間差τ'nmを、並び替え後の各チャネルについての原チャネル情報c1からcNを用いて、N個のチャネルの入力音信号におけるチャネルの組合せ（すなわち、並び替え元のチャネルの組合せ）に対応付けることで、N個のチャネルに含まれる２個のチャネルによる組合せそれぞれについての、入力音信号間のチャネル間時間差を得る（ステップＳ１８８３－４）。nを1以上N以下の各整数として、mをnより大きくN以下の各整数とし、第nチャネル入力音信号と第mチャネル入力音信号との間のチャネル間時間差をτnmとすると、チャネル間関係情報補完部１８８３は、(N×(N-1))/2通りの２個のチャネルによる組合せのそれぞれについてのチャネル間時間差τnmを得る。
　チャネル間関係情報補完部１８８３は、ステップＳ１８８３－４の後に、(N×(N-1))/2通りの２個のチャネルによる組合せのそれぞれについてのチャネル間時間差τnmから、(N×(N-1))/2通りの２個のチャネルによる組合せのそれぞれについての先行チャネル情報INFOnmを得る（ステップＳ１８８３－５）。チャネル間関係情報補完部１８８３は、チャネル間時間差τnmが正の値である場合には、第nチャネルが先行していることを表す情報を先行チャネル情報INFOnmとして得て、チャネル間時間差τnmが負の値である場合には、第mチャネルが先行していることを表す情報を先行チャネル情報INFOnmとして得る。チャネル間関係情報補完部１８８３は、２個のチャネルによる組合せのそれぞれについて、チャネル間時間差τnmが０である場合には、第nチャネルが先行していることを表す情報を先行チャネル情報INFOnmとして得てもよいし、第mチャネルが先行していることを表す情報を先行チャネル情報INFOnmとして得てもよい。
　なお、チャネル間関係情報補完部１８８３は、ステップＳ１８８３－４とステップＳ１８８３－５に代えて、(N×(N-1))/2通りの２個の並び替え後のチャネルによる組合せのそれぞれについて、チャネル間時間差τ'nmからステップＳ１８８３－５と同様にして先行チャネル情報INFO'nmを得るステップＳ１８８３－４’と、ステップＳ１８８３－４’で得た(N×(N-1))/2通りの２個の並び替え後のチャネルによる組合せのそれぞれについて先行チャネル情報INFO'nmを、並び替え後の各チャネルについての原チャネル情報c1からcNを用いて、N個のチャネルの入力音信号におけるチャネルの組合せ（すなわち、並び替え元のチャネルの組合せ）に対応付けることで、N個のチャネルに含まれる２個のチャネルによる組合せそれぞれについての先行チャネル情報INFOnmを得るステップＳ１８８３－５’と、を行ってもよい。すなわち、チャネル間関係情報補完部１８８３は、(N×(N-1))/2通りの２個の並び替え後のチャネルによる組合せのそれぞれについてのチャネル間時間差τ'nmから、原チャネル情報c1からcNを用いてN個のチャネルの入力音信号におけるチャネルの組合せに対応付けることと、チャネル間時間差が正であるか負であるか０であるかに基づいて先行チャネル情報を得ることと、によって、N個のチャネルに含まれる２個のチャネルによる組合せそれぞれについての先行チャネル情報INFOnmを得ればよい。
≪第２例≫
　第２実施形態の第２例のチャネル間関係情報推定部１８６に代えて、第３実施形態の第１例のチャネル間関係情報推定部１８８を用いてもよい。この場合には、音信号ダウンミックス装置４０７のチャネル間関係情報取得部１８７はチャネル間関係情報推定部１８６に代えてチャネル間関係情報推定部１８８を備えて、チャネル間関係情報取得部１８７は、チャネル間関係情報推定部１８６をチャネル間関係情報推定部１８８と読み替えた動作をすればよい。この場合の音信号ダウンミックス装置４０７の装置構成は図７に例示する通りであり、音信号ダウンミックス装置４０７の処理の流れは図８に例示する通りである。
＜第４実施形態＞
　音信号を符号化する符号化装置に上述した第２実施形態と第３実施形態の音信号ダウンミックス装置を音信号ダウンミックス部として含んでもよく、この形態を第４実施形態として説明する。
≪音信号符号化装置１０６≫
　第４実施形態の音信号符号化装置１０６は、図１３に示す通り、音信号ダウンミックス部４０７と符号化部１９６を含む。第４実施形態の音信号符号化装置１０６は、例えば20msの所定の時間長のフレーム単位で、入力されたNチャネルステレオの時間領域の音信号を符号化して、音信号符号を得て出力する。音信号符号化装置１０６に入力されるNチャネルステレオの時間領域の音信号は、例えば、音声や音楽などの音をN個のマイクロホンそれぞれで収音してＡＤ変換して得られたディジタルの音声信号又は音響信号であり、第１チャネル入力音信号から第Nチャネル入力音信号のN個の入力音信号からなる。符号化装置が出力する音信号符号は復号装置へ入力される。第４実施形態の音信号符号化装置１０５は、各フレームについて、図１４に例示するステップＳ４０７とステップＳ１９６の処理を行う。以下、第４実施形態の音信号符号化装置１０６について、第２実施形態と第３実施形態の説明を適宜参照して説明する。
［音信号ダウンミックス部４０７］
　音信号ダウンミックス部４０７は、音信号符号化装置１０６に入力された第１チャネル入力音信号から第Nチャネル入力音信号のN個の入力音信号からダウンミックス信号を得て出力する（ステップＳ４０７）。音信号ダウンミックス部４０７は、第２実施形態または第３実施形態の音信号ダウンミックス装置４０７と同様であり、チャネル間関係情報取得部１８７とダウンミックス部１１６を含む。チャネル間関係情報取得部１８７は上述したステップＳ１８７を行い、ダウンミックス部１１６は上述したステップＳ１１６を行う。すなわち、音信号符号化装置１０６は、第２実施形態または第３実施形態の音信号ダウンミックス装置４０７を音信号ダウンミックス部４０７として含んでおり、第２実施形態または第３実施形態の音信号ダウンミックス装置４０７の処理をステップＳ４０７として行う。
［符号化部１９６］
　符号化部１９６には、音信号ダウンミックス部４０７が出力したダウンミックス信号が少なくとも入力される。符号化部１９６は、入力されたダウンミックス信号を少なくとも符号化して音信号符号を得て出力する（ステップＳ１９６）。符号化部１９６は、第１チャネル入力音信号から第Nチャネル入力音信号のN個の入力音信号も符号化してもよく、この符号化で得た符号も音信号符号に含めて出力してもよい。この場合には、図１３に破線で示すように、符号化部１９６には第１チャネル入力音信号から第Nチャネル入力音信号のN個の入力音信号も入力される。
　符号化部１９６が行う符号化処理はどのような符号化処理であってもよい。例えば、入力されたTサンプルのダウンミックス信号xM(1), xM(2), ..., xM(T)を3GPP EVS規格のようなモノラル符号化方式で符号化して音信号符号を得てもよい。また例えば、ダウンミックス信号を符号化してモノラル符号を得ることに加えて、第１チャネル入力音信号から第Nチャネル入力音信号のN個の入力音信号をMPEG-4 AAC規格のステレオ復号方式に対応するステレオ符号化方式で符号化してステレオ符号を得て、モノラル符号とステレオ符号を合わせたものを音信号符号として出力してもよい。また例えば、ダウンミックス信号を符号化してモノラル符号を得ることに加えて、第１チャネル入力音信号から第Nチャネル入力音信号のN個の入力音信号について、チャネルごとにダウンミックス信号との差分や重み付き差分を符号化することでステレオ符号を得て、モノラル符号とステレオ符号を合わせたものを音信号符号として出力してもよい。
＜第５実施形態＞
　音信号を信号処理する信号処理装置に上述した第２実施形態と第３実施形態の音信号ダウンミックス装置を音信号ダウンミックス部として含んでもよく、この形態を第５実施形態として説明する。
≪音信号処理装置３０６≫
　第５実施形態の音信号処理装置３０６は、図１５に示す通り、音信号ダウンミックス部４０７と信号処理部３１６を含む。第５実施形態の音信号処理装置３０６は、例えば20msの所定の時間長のフレーム単位で、入力されたNチャネルステレオの時間領域の音信号を信号処理して、信号処理結果を得て出力する。音信号処理装置３０６に入力されるNチャネルステレオの時間領域の音信号は、例えば、音声や音楽などの音をN個のマイクロホンそれぞれで収音してＡＤ変換して得られたディジタルの音声信号又は音響信号であり、また例えば、当該ディジタルの音声信号又は音響信号を加工して得たディジタルの音声信号又は音響信号であり、また例えば、ステレオ復号装置がステレオ符号を復号して得たディジタルの復号音声信号又は復号音響信号であり、第１チャネル入力音信号から第Nチャネル入力音信号のN個の入力音信号からなる。第５実施形態の音信号処理装置３０６は、各フレームについて、図１６に例示するステップＳ４０７とステップＳ３１６の処理を行う。以下、第５実施形態の音信号処理装置３０６について、第２実施形態と第３実施形態の説明を適宜参照して説明する。
［音信号ダウンミックス部４０７］
　音信号ダウンミックス部４０７は、音信号処理装置３０６に入力された第１チャネル入力音信号から第Nチャネル入力音信号のN個の入力音信号からダウンミックス信号を得て出力する（ステップＳ４０７）。音信号ダウンミックス部４０７は、第２実施形態または第３実施形態の音信号ダウンミックス装置４０７と同様であり、チャネル間関係情報取得部１８７とダウンミックス部１１６を含む。チャネル間関係情報取得部１８７は上述したステップＳ１８７を行い、ダウンミックス部１１６は上述したステップＳ１１６を行う。すなわち、音信号処理装置３０６は、第２実施形態または第３実施形態の音信号ダウンミックス装置４０７を音信号ダウンミックス部４０７として含んでおり、第２実施形態または第３実施形態の音信号ダウンミックス装置４０７の処理をステップＳ４０７として行う。
［信号処理部３１６］
　信号処理部３１６には、音信号ダウンミックス部４０７が出力したダウンミックス信号が少なくとも入力される。信号処理部３１６は、入力されたダウンミックス信号を少なくとも信号処理して信号処理結果を得て出力する（ステップＳ３１６）。信号処理部３１６は、第１チャネル入力音信号から第Nチャネル入力音信号のN個の入力音信号も信号処理して信号処理結果を得てもよく、この場合には、図１５に破線で示すように、信号処理部３１６には第１チャネル入力音信号から第Nチャネル入力音信号のN個の入力音信号も入力され、信号処理部３１６は、例えば、各チャネルの入力音信号に対してダウンミックス信号を用いた信号処理を行って各チャネルの出力音信号を信号処理結果として得る。
＜プログラム及び記録媒体＞
　上述した各音信号ダウンミックス装置と音信号符号化装置と音信号処理装置との各部の処理をコンピュータにより実現してもよく、この場合は各装置が有すべき機能の処理内容はプログラムによって記述される。そして、このプログラムを図１７に示すコンピュータ１０００の記憶部１０２０に読み込ませ、演算処理部１０１０、入力部１０３０、出力部１０４０などに動作させることにより、上記各装置における各種の処理機能がコンピュータ上で実現される。
　この処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体は、例えば、非一時的な記録媒体であり、具体的には、磁気記録装置、光ディスク、等である。
　また、このプログラムの流通は、例えば、そのプログラムを記録したDVD、CD-ROM等の可搬型記録媒体を販売、譲渡、貸与等することによって行う。さらに、このプログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することにより、このプログラムを流通させる構成としてもよい。
　このようなプログラムを実行するコンピュータは、例えば、まず、可搬型記録媒体に記録されたプログラムもしくはサーバコンピュータから転送されたプログラムを、一旦、自己の非一時的な記憶装置である補助記録部１０５０に格納する。そして、処理の実行時、このコンピュータは、自己の非一時的な記憶装置である補助記録部１０５０に格納されたプログラムを記憶部１０２０に読み込み、読み込んだプログラムに従った処理を実行する。また、このプログラムの別の実行形態として、コンピュータが可搬型記録媒体から直接プログラムを記憶部１０２０に読み込み、そのプログラムに従った処理を実行することとしてもよく、さらに、このコンピュータにサーバコンピュータからプログラムが転送されるたびに、逐次、受け取ったプログラムに従った処理を実行することとしてもよい。また、サーバコンピュータから、このコンピュータへのプログラムの転送は行わず、その実行指示と結果取得のみによって処理機能を実現する、いわゆるASP（Application Service Provider）型のサービスによって、上述の処理を実行する構成としてもよい。なお、本形態におけるプログラムには、電子計算機による処理の用に供する情報であってプログラムに準ずるもの（コンピュータに対する直接の指令ではないがコンピュータの処理を規定する性質を有するデータ等）を含むものとする。
　また、この形態では、コンピュータ上で所定のプログラムを実行させることにより、本装置を構成することとしたが、これらの処理内容の少なくとも一部をハードウェア的に実現することとしてもよい。
　その他、この発明の趣旨を逸脱しない範囲で適宜変更が可能であることはいうまでもない。

Claims (8)

  1. N個（Nは3以上の整数）のチャネルの入力音信号からモノラルの音信号であるダウンミックス信号を得る音信号ダウンミックス方法であって、
    前記N個のチャネルに含まれる2個のチャネルによる組合せのそれぞれについての、2個のチャネルの入力音信号間の相関の大きさを表す0以上1以下の値であるチャネル間相関値と、2個のチャネルの入力音信号のどちらが先行しているかを表す情報である先行チャネル情報と、を得るチャネル間関係情報取得ステップと、
    サンプル番号をtとし、iが1からNまでの各第iチャネルの前記入力音信号の各サンプルをxi(t)とし、前記ダウンミックス信号の各サンプルをxM(t)とし、
    各第iチャネルについての、当該第iチャネルに対して先行しているチャネルのチャネル番号の集合をILiとし、
    各第iチャネルについての、当該第iチャネルに対して後行しているチャネルのチャネル番号の集合をIFiとし、
    各第iチャネルについての、当該第iチャネルと、当該第iチャネルに対して先行している各チャネルjと、の組合せそれぞれについての、前記チャネル間相関値をγijとし、
    各第iチャネルについての、当該第iチャネルと、当該第iチャネルに対して後行している各チャネルkと、の組合せそれぞれについての、前記チャネル間相関値をγikとし、
    各第iチャネルについての重みを
    Figure JPOXMLDOC01-appb-M000001
    により表されるwiとし、
    各第iチャネルについての正規化された重みを
    Figure JPOXMLDOC01-appb-M000002
    により表されるw'iとして、
    Figure JPOXMLDOC01-appb-M000003
    により前記ダウンミックス信号の各サンプルxM(t)を得るダウンミックスステップと、
    を含むことを特徴とする音信号ダウンミックス方法。
  2. 請求項１に記載の音信号ダウンミックス方法を音信号ダウンミックスステップとして含み、
    前記ダウンミックスステップが得た前記ダウンミックス信号を符号化してモノラル符号を得るモノラル符号化ステップと、
    前記N個チャネルの入力音信号を符号化してステレオ符号を得るステレオ符号化ステップと、
    を更に含む
    ことを特徴とする音信号符号化方法。
  3. N個（Nは3以上の整数）のチャネルの入力音信号からモノラルの音信号であるダウンミックス信号を得る音信号ダウンミックス装置であって、
    前記N個のチャネルに含まれる2個のチャネルによる組合せのそれぞれについての、2個のチャネルの入力音信号間の相関の大きさを表す0以上1以下の値であるチャネル間相関値と、2個のチャネルの入力音信号のどちらが先行しているかを表す情報である先行チャネル情報と、を得るチャネル間関係情報取得部と、
    サンプル番号をtとし、iが1からNまでの各第iチャネルの前記入力音信号の各サンプルをxi(t)とし、前記ダウンミックス信号の各サンプルをxM(t)とし、
    各第iチャネルについての、当該第iチャネルに対して先行しているチャネルのチャネル番号の集合をILiとし、
    各第iチャネルについての、当該第iチャネルに対して後行しているチャネルのチャネル番号の集合をIFiとし、
    各第iチャネルについての、当該第iチャネルと、当該第iチャネルに対して先行している各チャネルjと、の組合せそれぞれについての、前記チャネル間相関値をγijとし、
    各第iチャネルについての、当該第iチャネルと、当該第iチャネルに対して後行している各チャネルkと、の組合せそれぞれについての、前記チャネル間相関値をγikとし、
    各第iチャネルについての重みを
    Figure JPOXMLDOC01-appb-M000004
    により表されるwiとし、
    各第iチャネルについての正規化された重みを
    Figure JPOXMLDOC01-appb-M000005
    により表されるw'iとして、
    Figure JPOXMLDOC01-appb-M000006
    により前記ダウンミックス信号の各サンプルxM(t)を得るダウンミックス部と、
    を含むことを特徴とする音信号ダウンミックス装置。
  4. 請求項３に記載の音信号ダウンミックス装置を音信号ダウンミックス部として含み、
    前記ダウンミックス部が得た前記ダウンミックス信号を符号化してモノラル符号を得るモノラル符号化部と、
    前記N個チャネルの入力音信号を符号化してステレオ符号を得るステレオ符号化部と、
    を更に含む
    ことを特徴とする音信号符号化装置。
  5. 　請求項１に記載の音信号ダウンミックス方法の各ステップの処理をコンピュータに実行させるためのプログラム。
  6. 　請求項２に記載の音信号符号化方法の各ステップの処理をコンピュータに実行させるためのプログラム。
  7. 　請求項１に記載の音信号ダウンミックス方法の各ステップの処理をコンピュータに実行させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体。
  8. 　請求項２に記載の音信号符号化方法の各ステップの処理をコンピュータに実行させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体。
PCT/JP2021/004640 2020-03-09 2021-02-08 音信号ダウンミックス方法、音信号符号化方法、音信号ダウンミックス装置、音信号符号化装置、プログラム及び記録媒体 WO2021181975A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US17/909,677 US20230106832A1 (en) 2020-03-09 2021-02-08 Sound signal downmixing method, sound signal coding method, sound signal downmixing apparatus, sound signal coding apparatus, program and recording medium
JP2022505843A JP7380834B2 (ja) 2020-03-09 2021-02-08 音信号ダウンミックス方法、音信号符号化方法、音信号ダウンミックス装置、音信号符号化装置、プログラム及び記録媒体

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
PCT/JP2020/010081 WO2021181473A1 (ja) 2020-03-09 2020-03-09 音信号符号化方法、音信号復号方法、音信号符号化装置、音信号復号装置、プログラム及び記録媒体
PCT/JP2020/010080 WO2021181472A1 (ja) 2020-03-09 2020-03-09 音信号符号化方法、音信号復号方法、音信号符号化装置、音信号復号装置、プログラム及び記録媒体
JPPCT/JP2020/010081 2020-03-09
JPPCT/JP2020/010080 2020-03-09
PCT/JP2020/041216 WO2021181746A1 (ja) 2020-03-09 2020-11-04 音信号ダウンミックス方法、音信号符号化方法、音信号ダウンミックス装置、音信号符号化装置、プログラム及び記録媒体
JPPCT/JP2020/041216 2020-11-04

Publications (1)

Publication Number Publication Date
WO2021181975A1 true WO2021181975A1 (ja) 2021-09-16

Family

ID=77671498

Family Applications (4)

Application Number Title Priority Date Filing Date
PCT/JP2020/041216 WO2021181746A1 (ja) 2020-03-09 2020-11-04 音信号ダウンミックス方法、音信号符号化方法、音信号ダウンミックス装置、音信号符号化装置、プログラム及び記録媒体
PCT/JP2021/004642 WO2021181977A1 (ja) 2020-03-09 2021-02-08 音信号ダウンミックス方法、音信号符号化方法、音信号ダウンミックス装置、音信号符号化装置、プログラム及び記録媒体
PCT/JP2021/004640 WO2021181975A1 (ja) 2020-03-09 2021-02-08 音信号ダウンミックス方法、音信号符号化方法、音信号ダウンミックス装置、音信号符号化装置、プログラム及び記録媒体
PCT/JP2021/004641 WO2021181976A1 (ja) 2020-03-09 2021-02-08 音信号ダウンミックス方法、音信号符号化方法、音信号ダウンミックス装置、音信号符号化装置、プログラム及び記録媒体

Family Applications Before (2)

Application Number Title Priority Date Filing Date
PCT/JP2020/041216 WO2021181746A1 (ja) 2020-03-09 2020-11-04 音信号ダウンミックス方法、音信号符号化方法、音信号ダウンミックス装置、音信号符号化装置、プログラム及び記録媒体
PCT/JP2021/004642 WO2021181977A1 (ja) 2020-03-09 2021-02-08 音信号ダウンミックス方法、音信号符号化方法、音信号ダウンミックス装置、音信号符号化装置、プログラム及び記録媒体

Family Applications After (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/004641 WO2021181976A1 (ja) 2020-03-09 2021-02-08 音信号ダウンミックス方法、音信号符号化方法、音信号ダウンミックス装置、音信号符号化装置、プログラム及び記録媒体

Country Status (1)

Country Link
WO (4) WO2021181746A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2023032065A1 (ja) * 2021-09-01 2023-03-09
WO2024142360A1 (ja) * 2022-12-28 2024-07-04 日本電信電話株式会社 音信号処理装置、音信号処理方法、プログラム
WO2024142359A1 (ja) * 2022-12-28 2024-07-04 日本電信電話株式会社 音信号処理装置、音信号処理方法、プログラム

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010525403A (ja) * 2007-04-26 2010-07-22 ドルビー インターナショナル アクチボラゲット 出力信号の合成装置及び合成方法
WO2010097748A1 (en) * 2009-02-27 2010-09-02 Koninklijke Philips Electronics N.V. Parametric stereo encoding and decoding
WO2010140350A1 (ja) * 2009-06-02 2010-12-09 パナソニック株式会社 ダウンミックス装置、符号化装置、及びこれらの方法
JP2011522472A (ja) * 2008-05-23 2011-07-28 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ パラメトリックステレオアップミクス装置、パラメトリックステレオデコーダ、パラメトリックステレオダウンミクス装置、及びパラメトリックステレオエンコーダ
JP2018533056A (ja) * 2015-09-25 2018-11-08 ヴォイスエイジ・コーポレーション ステレオ音声信号をプライマリチャンネルおよびセカンダリチャンネルに時間領域ダウンミックスするために左チャンネルと右チャンネルとの間の長期相関差を使用する方法およびシステム
JP2019536112A (ja) * 2016-11-08 2019-12-12 フラウンホファー ゲセルシャフト ツール フェールデルンク ダー アンゲヴァンテン フォルシュンク エー．ファオ． サイドゲインおよび残余ゲインを使用してマルチチャネル信号を符号化または復号するための装置および方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010525403A (ja) * 2007-04-26 2010-07-22 ドルビー インターナショナル アクチボラゲット 出力信号の合成装置及び合成方法
JP2011522472A (ja) * 2008-05-23 2011-07-28 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ パラメトリックステレオアップミクス装置、パラメトリックステレオデコーダ、パラメトリックステレオダウンミクス装置、及びパラメトリックステレオエンコーダ
WO2010097748A1 (en) * 2009-02-27 2010-09-02 Koninklijke Philips Electronics N.V. Parametric stereo encoding and decoding
WO2010140350A1 (ja) * 2009-06-02 2010-12-09 パナソニック株式会社 ダウンミックス装置、符号化装置、及びこれらの方法
JP2018533056A (ja) * 2015-09-25 2018-11-08 ヴォイスエイジ・コーポレーション ステレオ音声信号をプライマリチャンネルおよびセカンダリチャンネルに時間領域ダウンミックスするために左チャンネルと右チャンネルとの間の長期相関差を使用する方法およびシステム
JP2019536112A (ja) * 2016-11-08 2019-12-12 フラウンホファー ゲセルシャフト ツール フェールデルンク ダー アンゲヴァンテン フォルシュンク エー．ファオ． サイドゲインおよび残余ゲインを使用してマルチチャネル信号を符号化または復号するための装置および方法

Also Published As

Publication number Publication date
WO2021181746A1 (ja) 2021-09-16
WO2021181976A1 (ja) 2021-09-16
WO2021181977A1 (ja) 2021-09-16

Similar Documents

Publication Publication Date Title
WO2021181975A1 (ja) 音信号ダウンミックス方法、音信号符号化方法、音信号ダウンミックス装置、音信号符号化装置、プログラム及び記録媒体
JP6151411B2 (ja) 音声符号化装置および方法、並びに、音声復号装置および方法
WO2021181974A1 (ja) 音信号ダウンミックス方法、音信号符号化方法、音信号ダウンミックス装置、音信号符号化装置、プログラム及び記録媒体
WO2022097244A1 (ja) 音信号高域補償方法、音信号後処理方法、音信号復号方法、これらの装置、プログラム、および記録媒体
WO2022097236A1 (ja) 音信号精製方法、音信号復号方法、これらの装置、プログラム及び記録媒体
WO2022097237A1 (ja) 音信号精製方法、音信号復号方法、これらの装置、プログラム及び記録媒体
WO2022097239A1 (ja) 音信号精製方法、音信号復号方法、これらの装置、プログラム及び記録媒体
WO2022097238A1 (ja) 音信号精製方法、音信号復号方法、これらの装置、プログラム及び記録媒体
WO2022097234A1 (ja) 音信号精製方法、音信号復号方法、これらの装置、プログラム及び記録媒体
WO2022097235A1 (ja) 音信号精製方法、音信号復号方法、これらの装置、プログラム及び記録媒体
WO2022097241A1 (ja) 音信号高域補償方法、音信号後処理方法、音信号復号方法、これらの装置、プログラム、および記録媒体
WO2022097233A1 (ja) 音信号精製方法、音信号復号方法、これらの装置、プログラム及び記録媒体
WO2022097240A1 (ja) 音信号高域補償方法、音信号後処理方法、音信号復号方法、これらの装置、プログラム、および記録媒体
WO2022097242A1 (ja) 音信号高域補償方法、音信号後処理方法、音信号復号方法、これらの装置、プログラム、および記録媒体
WO2022097243A1 (ja) 音信号高域補償方法、音信号後処理方法、音信号復号方法、これらの装置、プログラム、および記録媒体
WO2023032065A1 (ja) 音信号ダウンミックス方法、音信号符号化方法、音信号ダウンミックス装置、音信号符号化装置、プログラム
US12136427B2 (en) Sound signal downmixing method, sound signal coding method, sound signal downmixing apparatus, sound signal coding apparatus, program and recording medium
WO2024142357A1 (ja) 音信号処理装置、音信号処理方法、プログラム
WO2024142360A1 (ja) 音信号処理装置、音信号処理方法、プログラム
WO2024142359A1 (ja) 音信号処理装置、音信号処理方法、プログラム
WO2021181472A1 (ja) 音信号符号化方法、音信号復号方法、音信号符号化装置、音信号復号装置、プログラム及び記録媒体
WO2021181473A1 (ja) 音信号符号化方法、音信号復号方法、音信号符号化装置、音信号復号装置、プログラム及び記録媒体

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: 21767609

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022505843

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21767609

Country of ref document: EP

Kind code of ref document: A1