JP5528538B2 - 雑音抑圧装置 - Google Patents

Description

この発明は、音声信号に重畳した雑音を抑圧する雑音抑圧装置に関する。

雑音抑圧装置は、主として、音声信号に雑音が重畳した時間領域の信号を入力信号として入力し、この入力信号を周波数領域の信号であるパワースペクトルに変換した後、入力信号のパワースペクトルから雑音の平均的なパワースペクトルを推定し、推定した雑音のパワースペクトルを入力信号のパワースペクトルから減算して雑音抑圧した入力信号のパワースペクトルを得て、それを元の時間領域の信号に戻すことにより雑音抑圧処理を行う。

このような従来の雑音抑圧装置として、例えば特許文献１が開示されている。特許文献１に開示されている雑音抑圧装置は、非特許文献１に開示されている技術を基本とし、雑音スペクトル推定と抑圧量の算出時に入力信号の複数のパワースペクトル成分の平均値を求め、得られた１つの平均値から雑音スペクトル推定と抑圧量算出を行い、それらを複数のパワースペクトル成分に共通して適用していた。

特許４１７２５３０号公報（第８頁〜１２頁、図２）

Ｙ．Ｅｐｈｒａｉｍ，Ｄ．Ｍａｌａｈ，"Ｓｐｅｅｃｈ Ｅｎｈａｎｃｅｍｅｎｔ Ｕｓｉｎｇ ａ Ｍｉｎｉｍｕｍ Ｍｅａｎ−Ｓｑｕａｒｅ Ｅｒｒｏｒ Ｓｈｏｒｔ−Ｔｉｍｅ Ｓｐｅｃｔｒａｌ Ａｍｐｌｉｔｕｄｅ Ｅｓｔｉｍａｔｏｒ"，ＩＥＥＥ Ｔｒａｎｓ．ＡＳＳＰ，Ｖｏｌ．３２，Ｎｏ．６，ｐｐ．１１０９−１１２１，Ｄｅｃ．１９８４

従来の雑音抑圧装置は以上のように構成されているので、以下に述べる課題があった。

従来の雑音抑圧装置では、雑音抑圧のための抑圧量算出において、入力信号のパワースペクトル成分毎にベッセル関数など複雑な計算を行う必要があり、非常に処理量が掛かる。そのため特許文献１に開示された従来の雑音抑圧装置では、複数のスペクトル成分をまとめて平均化し、平均化したスペクトル成分を各スペクトル成分の代表スペクトル成分として計算を行うことで処理量の削減を行っている。しかしながら、この方法ではスペクトル成分に振幅が大きい成分（即ち、音声成分と考えられる）が存在しても、平均化することで音声成分が過小に取り扱われることとなり、その結果、音声信号が抑圧されて音声の隠滅感が増大し、音質劣化する課題がある。

この発明は、かかる課題を解決するためになされたもので、少ない処理量で高品質な雑音抑圧を行うことが可能な雑音抑圧装置を提供することを目的とする。

この発明の雑音抑圧装置は、時間・周波数変換部が変換した複数のパワースペクトルを１グループにまとめ、当該グループ内の複数のパワースペクトルのうち、値が大きいものを優先して選択して代表パワースペクトルにする代表成分生成部を備え、雑音抑圧量生成部が代表パワースペクトルを用いて雑音抑圧量を算出し、入力信号が音声らしいかどうかの度合いを示す音声らしさ評価値を算出する音声らしさ推定部を備え、代表成分生成部は、音声らしさ評価値に基づいた代表パワースペクトルを生成するようにしたものである。

この発明によれば、代表パワースペクトルを用いて雑音抑圧量を算出するので処理量が少なくてすみ、かつ、この代表パワースペクトルにはグループ内の値の大きいパワースペクトルを用いるので雑音抑圧量算出時に入力信号の音声成分が過小評価されることがなくなり、その結果、音声信号を抑圧せず、高品質な雑音抑圧を行うことができる。

この発明の実施の形態１に係る雑音抑圧装置の構成を示すブロック図である。 帯域分離部によるパワースペクトルの帯域分割の一例を示すグラフである。 帯域代表成分生成部の処理効果を模式的に表し、図３（ａ）は入力信号のパワースペクトルのグラフ、図３（ｂ）はサブバンド内のパワースペクトルの平均値を代表にする場合（従来法）、図３（ｃ）はサブバンド内のパワースペクトルの最大値を代表にする場合（本発明）である。 雑音抑圧量生成部の詳細な構成を示すブロック図である。

以下、この発明をより詳細に説明するために、この発明を実施するための形態について、添付の図面に従って説明する。
実施の形態１．
図１に示す雑音抑圧装置は、入力端子１と、時間・周波数変換部２と、音声らしさ推定部３と、雑音スペクトル推定部４と、帯域分離部５と、帯域代表成分生成部（代表成分生成部）６と、雑音抑圧量生成部７と、帯域多重化部８と、雑音抑圧部９と、周波数・時間変換部１０と、出力端子１１とを備える。

この雑音抑圧装置の入力としては、マイクロホン（図示せず）等を通じて取り込まれた音声及び音楽等がＡ／Ｄ（アナログ・デジタル）変換された後、所定のサンプリング周波数（例えば、８ｋＨｚ）でサンプリングされると共にフレーム単位（例えば、１０ｍｓ）に分割された信号を用いる。

以下、図１に基づいて、実施の形態１に係る雑音抑圧装置の動作原理を説明する。
入力端子１は、上述のような信号を受け付けて、入力信号ｙ（ｔ）として時間・周波数変換部２へ出力する。

時間・周波数変換部２は、フレーム単位に分割された入力信号ｙ（ｔ）に対して窓掛け処理を行い、その窓掛け後の信号ｙ（ｎ，ｔ）に対して、例えば２５６点のＦＦＴ（Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ：高速フーリエ変換）を用いて時間軸上の信号を周波数上の信号（スペクトル）に変換し、入力信号のパワースペクトルＹ（ｎ，ｋ）と位相スペクトルＰ（ｎ，ｋ）を算出する。ここで、ｎはフレーム番号、ｋはスペクトル番号、ｔは離散時間番号を表す。以降、特に示す必要が無い限り、現フレームの入力信号を指すものとし、その信号がスペクトルを表す場合にはフレーム番号を省略する。

得られたパワースペクトルは、音声らしさ推定部３、雑音スペクトル推定部４、帯域分離部５及び雑音抑圧部９にそれぞれ出力される。また、得られた位相スペクトルは周波数・時間変換部１０に出力される。なお、窓掛け処理としては、例えばハニング窓、台形窓等の公知の手法を用いることができる。また、時間・周波数変換部２は窓掛け処理を行う際に、必要に応じてゼロ詰め処理も実施する。ＦＦＴは周知の手法であるので説明を省略する。

音声らしさ推定部３は、時間・周波数変換部２から入力した入力信号のパワースペクトルを用いて、現フレームの入力信号の態様が“音声らしいかどうか”の度合いとして、例えば音声の可能性が高い場合には大きな値を取り、音声の可能性が低い場合には小さな値を取るような、音声らしさ評価値を算出する。

音声らしさ評価値の算出方法として、例えば入力信号のパワースペクトルをフーリエ変換することで得られる自己相関係数の最大値、パワースペクトルの総和から得られる入力信号エネルギ、入力信号の全帯域ＳＮ比（信号対雑音比）、及びパワースペクトルのばらつき具合を表すスペクトルエントロピ等の公知の手法を、それぞれ単独又は組み合わせて用いることが可能である。ここでは、説明の簡略化のため、現フレームの入力信号のパワースペクトルより計算できる、自己相関係数の最大値を単独で用いた場合について示す。自己相関係数ｃ（τ）は、下式（１）のように求めることができる。

ここで、τはラグ（遅延時間）、Ｆ［］はフーリエ変換を表す。このフーリエ変換には時間・周波数変換部２で用いたのと同様に、例えば２５６点のＦＦＴを用いることができる。上式（１）による自己相関係数の算出方法については周知の手法であるので、説明を省略する。

音声らしさ推定部３は続いて、得られた自己相関係数ｃ（τ）をｃ（０）で除算することで０〜１の範囲に正規化を行って、例えば音声の基本周波数が存在する可能性が高い１６＜τ＜１２０の範囲で自己相関係数の最大値を探索し、得られた最大値を音声らしさ評価値ＶＡＤとして雑音スペクトル推定部４へ出力する。

雑音スペクトル推定部４は、入力信号のパワースペクトルＹ（ｋ）と音声らしさ評価値ＶＡＤとを用いて、入力信号中に含まれる平均的な雑音スペクトルを推定する。具体的には、雑音スペクトル推定部４が、音声らしさ推定部３の出力である音声らしさ評価値ＶＡＤを参照し、現フレームの入力信号の態様が雑音の可能性が高い場合（即ち音声の可能性が低い場合）、現フレームの入力信号のパワースペクトルＹ（ｎ，ｋ）を用いて、雑音スペクトル推定部４が記憶している１フレーム前の雑音スペクトルＮ（ｎ−１，ｋ）を更新し、更新した雑音スペクトルを雑音抑圧量生成部７へ出力する。

雑音スペクトルの更新は、雑音スペクトル推定部４が例えば下式（２）に従って、音声らしさ評価値ＶＡＤが所定の閾値（例えば０．２）以下の場合に、入力信号のパワースペクトルを雑音スペクトルに反映することで実施する。音声らしさ評価値ＶＡＤが閾値０．２を越える場合には、現フレームの入力信号は音声の可能性が高いと考えられるので、雑音スペクトルの更新はせず、１フレーム前の雑音スペクトルをそのまま現フレームの雑音スペクトルとして用いる。

ここで、ｎはフレーム番号、ｋはスペクトル番号、ＫはＦＦＴポイント数の半分の値、Ｎ（ｎ−１，ｋ）は更新前の雑音スペクトル、Ｙ（ｎ，ｋ）は雑音の可能性が高いと判断された現フレームの雑音スペクトル、Ｎ^~（ｎ，ｋ）は更新後の雑音スペクトルである。ここでは電子出願の関係上、上式（２）中の“〜”（チルダ記号）を“^~”と表記するが、以降の説明では更新後の雑音スペクトルのチルダ記号を省略する。また、α（ｋ）は０〜１の値を取る所定の更新速度係数であり、比較的０に近い値に設定すると良い。ただし、周波数が高くなるに従って更新速度係数を大きくした方が良い場合もあるので、雑音の種類等に応じて更新速度係数を適宜調整することも可能である。

さらに、雑音スペクトル推定部４は、現フレームの雑音スペクトルＮ（ｎ，ｋ）を、次の更新処理で用いるために記憶しておく。記憶手段としては、例えば半導体メモリ、ハードディスク等に代表されるような、電気的又は磁気的な随時読み出し及び書き込み可能な記憶手段を用いる。

帯域分離部５は、入力信号のパワースペクトルＹ（ｋ）を、非均一な周波数帯域に分割し、サブバンド毎にグループ分けする。図２に、入力信号のパワースペクトルＹ（ｋ）の帯域分割の一例を示す。図２の例では、入力信号のパワースペクトルＹ（ｋ）の低域から高域までを１９個の非均一な周波数帯域に分割し、それぞれのグループをサブバンドにしている。具体的には、サブバンド番号ｚ＝１０の場合、そのサブバンドにはｋ＝３５〜４０番目のスペクトル成分が属することとなる。なお、図２のサブバンドは臨界帯域と呼ばれ、人間の聴覚特性と整合性が高い。この臨界帯域のサブバンド番号の単位はＢａｒｋ（バーク）である。臨界帯域の詳細に関しては、Ｅ．ツヴィガー著「心理音響学」（西村書店、１９９２年８月）を参照することができる。

なお、図２の例では臨界帯域で帯域分割する例を示したが、これに限定されるものではなく、例えば低域になるに従って２のべき乗で帯域が狭くなるオクターブバンド分割でも良いし、全ての帯域を例えば４つのスペクトル成分で構成するサブバンドに分割するような均等分割でも良い。また、特定の周波数帯域（低域、音声の重要部分である基本周波数帯域、又はフォルマント成分が分布する可能性が高い帯域）の精度を向上させるために、より細かい単位で分割しても良く、細かい単位で分割することによって後述する雑音抑圧特性の劣化を抑制することができる。帯域分離部５は、以上のように分割処理を実施の後、グループ分けしたサブバンド番号ｚ毎のパワースペクトルＹ（ｚ，ｋ）を、帯域代表成分生成部６へ出力する。

帯域代表成分生成部６は、帯域分離部５から入力したサブバンド毎のパワースペクトルＹ（ｚ，ｋ）を用いて、各サブバンドを代表する代表パワースペクトルＹ_d（ｚ）を生成して雑音抑圧量生成部７へ出力する。代表パワースペクトルＹ_d（ｚ）の生成方法として、例えば下式（３）のように、各サブバンド内でパワースペクトルＹ（ｋ）の大きさを順次比較して、最も値が大きなパワースペクトルＹ（ｋ）を代表パワースペクトルＹ_d（ｚ）とする。ただし、音声らしさ推定部３が出力する音声らしさ評価値ＶＡＤが所定の閾値（例えば、０．２）以下の場合には、代表パワースペクトルＹ_d（ｚ）として最も値が大きなパワースペクトルＹ（ｋ）を選択する方法ではなく、例えば特許文献１のような、サブバンド内の全パワースペクトルＹ（ｋ）の平均値を算出して代表パワースペクトルＹ_d（ｚ）にする方法に切り替える。

ただし、ｚ＝０，・・・，１８

図３は、本実施の形態１の帯域代表成分生成部６の処理効果を模式的に表した図である。図３（ａ）は、雑音が混入した入力信号の、ある時点でのパワースペクトルをプロットしたグラフであり、縦軸にパワースペクトルの大きさ（振幅）、横軸に周波数を示す。また、実線は入力信号のパワースペクトル成分、破線は雑音スペクトルの包絡線、一点鎖線はサブバンドの境界をそれぞれ表している。さらに、図を簡単にするために、サブバンドは周波数帯域を均等分割した例を示す。

図３（ｂ）は、図３（ａ）に示す入力信号から、従来の方法により各サブバンド内のパワースペクトルの平均値を求め、代表パワースペクトルにした場合の結果を示す。この方法では、音声成分と推測されるパワースペクトルの大きさが小さくなるため、後述する雑音抑圧量生成部７において音声成分が過小評価されることとなり、その結果、音声信号が抑圧されて音声の隠滅感が増大し、音声劣化してしまう。

一方、図３（ｃ）は、図３（ａ）に示す入力信号から、帯域代表成分生成部６が代表パワースペクトルを算出した場合の結果を示す。図３の例では入力信号に音声信号が存在しているので、音声らしさ評価値ＶＡＤは閾値０．２より十分大きい。このため、帯域代表成分生成部６は上式（３）により代表パワースペクトルを求める。図３（ｃ）より、図３（ｂ）の従来の方法に比べて、音声成分と推測されるパワースペクトルは保存され、後段の雑音抑圧量生成部７で音声成分が過小評価されることがなく、音声信号が抑圧されることもない。よって、高品質な雑音抑圧が可能となる。
なお、図３ではサブバンドを均等分割した場合について例示したが、例えば図２の表のように臨界帯域幅で非均等分割した場合も同様の効果を奏することはいうまでもない。

図３では、音声らしさ評価値ＶＡＤが大きく、かつ、入力信号に音声信号が存在する場合について例示したが、この他、例えば音声らしさ評価値ＶＡＤが小さく、現フレームの入力信号が雑音の可能性が高いと考えられる場合には、大きな値を持つパワースペクトルが存在してもそれは雑音の可能性が高いので、従来の平均値による算出方法に切り替えて代表パワースペクトルを生成するようにしてもよい。サブバンド内のパワースペクトルの平均値を求めるようにすることで、雑音の可能性が高い大きな値のパワースペクトルの振幅が小さくなるので、誤った代表パワースペクトルの生成を抑制することができる。

なお、入力信号に重畳する雑音が小さい場合等、雑音の影響が少ない場合には、帯域代表成分生成部６が音声らしさ評価値ＶＡＤに応じた代表パワースペクトル算出方法の切り替えを行わず、常に最大値をもつパワースペクトルを代表パワースペクトルにする方法を採ってもよい。

雑音抑圧量生成部７は、帯域代表成分生成部６から入力した代表パワースペクトルＹ_d（ｚ）と、雑音スペクトル推定部４から入力した雑音スペクトルＮ（ｎ，ｋ）とを用いて、予め用意された所定の演算式に従ってサブバンド毎の雑音抑圧量Ｇ（ｚ）を生成し、帯域多重化部８へ出力する。この雑音抑圧量Ｇ（ｚ）の演算式の導出方法は後述する。

帯域多重化部８は、雑音抑圧量生成部７が求めたサブバンド毎の雑音抑圧量Ｇ（ｚ）を、各サブバンドに属するスペクトル毎に多重化し、スペクトル毎の雑音抑圧量Ｇ（ｋ）に展開する。具体的には、同一のサブバンド番号ｚに属するスペクトル番号ｋの雑音抑圧量Ｇ（ｋ）の値に、そのサブバンド番号ｚの雑音抑圧量Ｇ（ｚ）の値をコピーすることで行う。雑音抑圧量生成部７は、得られたスペクトル毎の雑音抑圧量Ｇ（ｋ）を雑音抑圧部９へ出力する。

雑音抑圧部９は、時間・周波数変換部２から入力した入力信号のパワースペクトルＹ（ｋ）と、雑音抑圧量生成部７から入力したスペクトル毎の雑音抑圧量Ｇ（ｋ）とを用いて、下式（４）により、雑音抑圧された入力信号のパワースペクトルＹ＾（ｋ）を生成し、周波数・時間変換部１０へ出力する。電子出願の関係上、上式（４）中の“＾”（ハット記号）を“＾”と表記し、これ以降に示す式の説明でも“＾”と表記する。

ただし、ｋ＝０，・・・，Ｋ
ここで、ＫはＦＦＴポイント数の半分の値である。

周波数・時間変換部１０は、雑音抑圧部９から入力した雑音抑圧された入力信号のパワースペクトルＹ＾（ｋ）と、時間・周波数変換部２から入力した位相スペクトルＰ（ｋ）とを用いて、逆高速フーリエ変換（逆ＦＦＴ）により周波数領域のスペクトルから時間領域の信号に変換し、周波数・時間変換部１０の内部に記憶している前フレームの信号とオーバーラップ処理した後、雑音抑圧された入力信号ｙ＾（ｔ）として、出力端子１１に出力する。出力端子１１はこの雑音抑圧された入力信号ｙ＾（ｔ）を出力する。

続いて、雑音抑圧量生成部７の演算方法を、図４を用いて説明する。図４に示す雑音抑圧量生成部７は、事後ＳＮＲ（信号対雑音比）推定部７１、事前ＳＮＲ推定部７２、雑音抑圧量計算部７３、及び遅延部７４を備える。以下、Ｔ．Ｌｏｔｔｅｒ，Ｐ．Ｖａｒｙ，“Ｓｐｅｅｃｈ Ｅｎｈａｎｃｅｍｅｎｔ ｂｙ ＭＡＰ Ｓｐｅｃｔｒａｌ Ａｍｐｌｉｔｕｄｅ Ｅｓｔｉｍａｔｉｏｎ Ｕｓｉｎｇ ａ Ｓｕｐｅｒ−Ｇａｕｓｓｉａｎ Ｓｐｅｅｃｈ Ｍｏｄｅｌ”（ＥＵＲＡＳＩＰ Ｊｏｕｒｎａｌ ｏｎ Ａｐｐｌｉｅｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，Ｖｏｌ．２００５，Ｎｏ．７，ｐｐ．１１１０−１１２６，Ｊｕｌｙ ２００５）に記載されている演算方法（最大事後確率法：Ｍａｘｉｍｕｍ Ａ Ｐｏｓｔｅｒｉｏｒｉ；ＭＡＰ法）に基づいて、雑音抑圧量の演算方法を説明する。

事後ＳＮＲ推定部７１は、帯域代表成分生成部６から入力した代表パワースペクトルＹ_d（ｚ）と、雑音スペクトル推定部４から入力した雑音スペクトルＮ（ｋ）とを用いて、下式（５）によりサブバンド毎の事後ＳＮＲ（ａ ｐｏｓｔｅｒｉｏｒｉ ＳＮＲ）γ＾（ｎ，ｚ）を推定する。ただし、雑音スペクトルＮ（ｚ）は、サブバンドに対応付けるために、例えば下式（６）に従って求めたサブバンド毎の平均値とする。

ただし、ｚ＝０，・・・，１８

ただし、ｚ＝０，・・・，１８

事前ＳＮＲ推定部７２は、事後ＳＮＲ推定部７１から入力したサブバンド毎の事後ＳＮＲγ＾（ｎ，ｚ）と、後述する遅延部７４を通じて得られる前フレームの雑音抑圧量Ｇ（ｎ−１，ｚ）とを用いて、下式（７）により事前ＳＮＲ（ａ ｐｒｉｏｒｉ ＳＮＲ）ξ＾（ｎ，ｋ）を再帰的に推定する。なお、事前ＳＮＲ推定部７２は、内部メモリ等の記憶手段に前フレームの事後ＳＮＲγ＾（ｎ−１，ｚ）を記憶しておき、現フレームでの計算に使用する。

ここで、αは０＜α＜１の値を持つ所定の忘却係数であり、α＝０．９８が好適な値として選択可能であるが、入力される音声及び雑音の態様に応じて適宜調整してもよい。

雑音抑圧量計算部７３は、事前ＳＮＲ推定部７２から入力した事前ＳＮＲξ＾（ｎ，ｚ）と、事後ＳＮＲ推定部７１から入力した事後ＳＮＲγ＾（ｎ，ｚ）を用いて、下式（８）によりサブバンド毎の雑音抑圧量Ｇ（ｚ，ｎ）を計算し、帯域多重化部８へ出力すると共に、遅延部７４へも出力する。

ここで、ｖ及びμは所定の係数であり、上述した最大事後確率法に関する文献ではｖ＝０．１２６、μ＝１．７４が好適な値として例示がある。もちろん、この値以外であってもよく、入力信号及び雑音の態様に応じて適宜調整することができる。

遅延部７４は、後述の雑音抑圧量計算部７３が出力する、前フレームのサブバンド毎の雑音抑圧量Ｇ（ｎ−１，ｚ）を内部に保持しておき、上式（７）の現フレームの計算に適用するように事前ＳＮＲ推定部７２に送出する。

以上より、この実施の形態１によれば、雑音抑圧装置は、入力端子１から入力した時間領域の入力信号を、周波数領域の信号であるパワースペクトルと位相スペクトルに変換する時間・周波数変換部２と、入力信号に重畳した雑音スペクトルを推定する雑音スペクトル推定部４と、時間・周波数変換部２が変換した複数のパワースペクトルをサブバンドにまとめる帯域分離部５と、サブバンド内の複数のパワースペクトルのうち最大値を持つパワースペクトルを代表パワースペクトルにする帯域代表成分生成部６と、代表パワースペクトルと雑音スペクトルとを用いてサブバンドの雑音抑圧量を算出する雑音抑圧量生成部７と、サブバンド毎の雑音抑圧量をスペクトル毎に変換する帯域多重化部８と、スペクトル毎に、雑音抑圧量に応じてパワースペクトルの振幅を抑圧する雑音抑圧部９と、位相スペクトルと雑音抑圧部９で振幅抑圧されたパワースペクトルとを時間領域の信号に変換して出力端子１１から出力する周波数・時間変換部１０とを備える構成にした。このため、代表パワースペクトルを用いて雑音抑圧量を算出するので処理量を低減することができる。また、この代表パワースペクトルにはグループ内の値の大きいパワースペクトルを用いるので、雑音抑圧量算出時に入力信号の音声成分が過小評価されることがなくなり、その結果、音声信号を抑圧せず、高品質な雑音抑圧を行うことができる。

また、この実施の形態１によれば、雑音抑圧装置は、入力信号が音声らしいかどうかの度合いを示す音声らしさ評価値を算出する音声らしさ推定部３を備え、帯域代表成分生成部６は、音声らしさ評価値に基づいて、入力信号の音声らしさの度合いが高い場合にはサブバンド内の最大値をもつパワースペクトルを代表パワースペクトルにし、当該入力信号の音声らしさの度合いが低い場合にはサブバンド内の複数のパワースペクトルの平均値を求めて代表パワースペクトルを生成するように構成した。このため、誤った代表パワースペクトルの生成を抑制することができ、高品質な雑音抑圧が可能となる。

なお、上記実施の形態１では、事後ＳＮＲ推定部７１において、雑音スペクトルをサブバンド毎に対応付けるために式（６）により平均値を求める構成にしたが、これに限定されるものではなく、例えば、代表パワースペクトルＹ_d（ｚ）を生成する際に選択した、最も値の大きいパワースペクトルＹ（ｋ）のスペクトル番号ｋに対応する雑音スペクトルＮ（ｋ）を対応付ける構成にしてもよい。この構成の場合、特に帯域分割幅が狭い場合に事後ＳＮＲの推定精度が向上し、更に高品質な雑音抑圧を行うことができる。

また、上記実施の形態１では、帯域多重化部８において、サブバンド毎の雑音抑圧量Ｇ（ｚ）を、同一のサブバンドに属するスペクトル毎の雑音抑圧量Ｇ（ｋ）にコピーすることにより展開する構成にしたが、これに限定されるものではなく、例えば、隣接するサブバンドの雑音抑圧量Ｇ（ｚ−１），Ｇ（ｚ＋１）を用いて、下式（９）のように重み付き平均を求めても良い。

この式（９）により求まる左辺の値は、サブバンド番号ｚに属するスペクトル毎の雑音抑圧量Ｇ（ｋ）を意味し、スペクトル番号ｋが図２の表中のｆ₁（ｚ）からｆ₂（ｚ）まで変化することを示す。また、右辺は、サブバンド番号ｚの成分に０．５の重み付けを行い、隣接するサブバンド番号ｚ−１，ｚ＋１の成分にそれぞれ０．２５の重み付けを行うことを意味し、さらに、スペクトル番号ｋのｆ₁（ｚ）からｆ₂（ｚ）までの変化に対応して重みが連続的に変化することを表す。Ｌは、サブバンド番号ｚに属するスペクトル番号ｋの個数を表す。このように重み付き平均をとることにより、特に、帯域分割幅が広い場合に雑音抑圧量Ｇ（ｋ）の周波数方向の変化が安定し、更に高品質な雑音抑圧を行うことができる。

また、上記実施の形態１では、帯域代表成分生成部６が代表パワースペクトルを生成する際に値が最も大きいパワースペクトルを選択しているが、これに限定されるものではなく、例えば、サブバンドの境界付近に値が最も大きいパワースペクトルが存在していたとして、サブバンドの中央付近の周波数に属し、かつ、２番目に値が大きいパワースペクトルを優先して選択したり、あるいは、上式（３）を用いたパワースペクトル探索の際に所定の閾値を越えたパワースペクトルを検出した時点で探索を終了して代表パワースペクトルにしたりすることも可能である。
サブバンド中央付近の周波数に属するパワースペクトルを優先して選択することにより、帯域分割幅が広い場合に事後ＳＮＲの推定精度が向上する効果がある。また、所定の閾値を越えたパワースペクトルが検出できた時点で探索を終了することで、代表パワースペクトル探索に要する処理量を削減できる効果がある。

また、本実施の形態１の音声らしさ推定部３では、音声らしさ評価値として入力信号の自己相関係数の最大値を用いる構成としたが、これに限定されるものではなく、例えば、上述したスペクトルエントロピ等の公知の手法の他、時間領域の入力信号を分析した結果である、線形予測残差パワー等を組み合わせて用いる構成にしてもよい。

実施の形態２．
上記実施の形態１では、帯域代表成分生成部６において、同一サブバンド内で最も値が大きいパワースペクトルを代表パワースペクトルに選択していたが、例えば、同一サブバンド内でパワースペクトルを値が大きい順に並び替えて、値が大きなパワースペクトルから大きな重みを付けて重み付き平均を求め、その値を代表パワースペクトルにしてもよい。
また、例えば、メジアン等の統計的手法を用いて、中央値を代表パワースペクトルにしてもよい。

以上より、この実施の形態２によれば、帯域代表成分生成部６が、サブバンド内の複数のパワースペクトルのうち、値の大きいパワースペクトルから順に大きい重みを付けて求めた重み付き平均を、代表パワースペクトルにする構成にした。このため、高騒音時において音声らしさ評価値の分析精度が低下したり、音声成分と雑音成分の見分けが困難な時に、安定して代表パワースペクトルの生成を行うことができるようになり、高品質な雑音抑圧を行うことができる。
また、重み付き平均に代えて、メジアン等の統計的手法を用いても同様な効果を得られる。

実施の形態３．
上記実施の形態１では、帯域代表成分生成部６において、音声らしさ評価値が閾値を越えると同一サブバンド内の最大値を持つパワースペクトルを代表パワースペクトルに選択し、一方、閾値未満なら同一サブバンド内の各パワースペクトルから平均値を求めて、この平均値をもつ代表パワースペクトルを生成するように切り替え制御を行う構成にしたが、例えば、下式（１０）のように、音声らしさ評価値ＶＡＤを重み付け係数にして、最大値と平均値の重み付き和を代表パワースペクトルにすることも可能である。

この式（１０）は、音声らしさ評価値ＶＡＤに応じて、連続的に最大値と平均値を切り替えることが可能である。入力信号が音声の可能性が高い場合には、音声らしさ評価値ＶＡＤが大きくなるので、代表パワースペクトルは最大値の場合の重みが大きくなる。一方、雑音の可能性が高い場合には、音声らしさ評価値ＶＡＤが小さくなるので、平均値の場合の重みが大きくなる。

以上のように、この実施の形態３によれば、帯域代表成分生成部６は、音声らしさ評価値を重み付け係数に用いて、サブバンド内の複数のパワースペクトルの最大値と平均値の重み付き和を算出し、代表パワースペクトルにする構成とした。このため、音声成分と雑音成分の見分けが困難な時でも安定して代表パワースペクトルの生成を行うことができるようになり、高品質な雑音抑圧を行うことができる。

実施の形態４．
上記実施の形態１では、帯域代表成分生成部６において、音声らしさ評価値に基づいて全サブバンドの代表パワースペクトル生成の切り替え制御を行っていたが、サブバンド毎に切り替え制御を行っても良い。例えば、帯域代表成分生成部６がサブバンド内のパワースペクトルの分散を計算し、分散が所定の閾値を越える場合には、そのサブバンドは音声成分を含むと判断して、代表パワースペクトルとして最大値を選択する方法に切り替える。一方、分散が所定の閾値を下回る場合には、代表パワースペクトルとして平均値を計算する方法に切り替える。

なお、分散は、サブバンド内のパワースペクトルの値のばらつき具合を検出するための１方法であって、分散以外にもばらつき具合を検出できる方法であれば別の分析方法を用いても良い。

以上より、この実施の形態４によれば、帯域代表成分生成部６が、サブバンド毎に代表パワースペクトルの生成方法を切り替えるように構成したので、代表パワースペクトルの生成精度を更に向上することができるようになり、更に高品質な雑音抑圧を行うことができる。

以上の全ての実施の形態１〜４では、雑音抑圧量生成部７による雑音抑圧の方法として最大事後確率法（ＭＡＰ法）を用いたが、この方法に限定されるものではなく、その他の方法を雑音抑圧量生成部７に適用することができる。例えば、非特許文献１に詳述されている最小平均２乗誤差短時間スペクトル振幅法、又はＳ．Ｆ．Ｂｏｌｌ，“Ｓｕｐｐｒｅｓｓｉｏｎ ｏｆ Ａｃｏｕｓｔｉｃ Ｎｏｉｓｅ ｉｎ Ｓｐｅｅｃｈ Ｕｓｉｎｇ Ｓｐｅｃｔｒａｌ Ｓｕｂｔｒａｃｔｉｏｎ”（ＩＥＥＥ Ｔｒａｎｓ．ｏｎ ＡＳＳＰ，Ｖｏｌ．２７，Ｎｏ．２，ｐｐ．１１３−１２０，Ａｐｒ．１９７９）に詳述されているスペクトル減算法等がある。

また、以上の実施の形態１〜４では、図２に示すように、帯域分離部５による帯域分割の例として狭帯域電話（０〜４０００Ｈｚ）の場合について説明しているが、雑音抑圧装置の雑音抑圧対象は狭帯域電話音声に限定されるものではなく、例えば０〜８０００Ｈｚ等の広帯域電話音声又は音響信号でもよい。

また、上記実施の形態１〜４において、雑音抑圧された入力信号ｙ＾（ｔ）は、デジタルデータ形式で音声符号化装置、音声認識装置、音声蓄積装置、ハンズフリー通話装置等の各種音声音響処理装置へ送出されるが、実施の形態１〜４の雑音抑圧装置は、単独又は上述の他の装置と共にＤＳＰ（デジタル信号処理プロセッサ）によって実現したり、ソフトウエアプログラムとして実行したりすることでも実現可能である。プログラムはソフトウエアプログラムを実行するコンピュータの記憶装置に記憶していても良いし、ＣＤ−ＲＯＭ等の記憶媒体にて配布される形式でも良い。また、ネットワークを通じてプログラムを提供することも可能である。また、雑音抑圧された入力信号ｙ＾（ｔ）を出力端子１１の後段でＤ／Ａ（デジタル・アナログ）変換し、増幅装置にて増幅し、スピーカ等から直接音声信号として出力することも可能である。

以上のように、この発明に係る雑音抑圧装置は、少ない処理量で高品質な雑音抑圧を行うようにしたので、音声通信・音声蓄積・音声認識システムが導入された、カーナビゲーション・携帯電話・インターフォン等の音声通信システム・ハンズフリー通話システム・ＴＶ会議システム・監視システム等の音質改善、及び、音声認識システムの認識率の向上のために供するのに適している。

Claims (3)

1. 時間領域の入力信号を周波数領域の信号であるパワースペクトルと位相スペクトルに変換する時間・周波数変換部と、
   前記入力信号に重畳した雑音スペクトルを推定する雑音スペクトル推定部と、
   前記パワースペクトルと前記雑音スペクトルとを用いて、雑音抑圧量を算出する雑音抑圧量生成部と、
   前記雑音抑圧量に応じて前記パワースペクトルの振幅を抑圧する雑音抑圧部と、
   前記位相スペクトルと前記雑音抑圧部で振幅抑圧された前記パワースペクトルとを時間領域の信号に変換する周波数・時間変換部とを備える雑音抑圧装置において、
   前記時間・周波数変換部が変換した複数のパワースペクトルを１グループにまとめ、当該グループ内の前記複数のパワースペクトルのうち、値が大きいものを優先して選択して代表パワースペクトルにする代表成分生成部を備え、
   前記雑音抑圧量生成部は、前記代表パワースペクトルを用いて雑音抑圧量を算出し、
   前記入力信号が音声らしいかどうかの度合いを示す音声らしさ評価値を算出する音声ら
   しさ推定部を備え、
   前記代表成分生成部は、前記音声らしさ評価値に基づいた代表パワースペクトルを生成することを特徴とする雑音抑圧装置。
2. 代表成分生成部は、音声らしさ評価値に基づいて、入力信号の音声らしさの度合いが高い場合にはグループ内の値の大きいパワースペクトルを優先して選択して代表パワースペクトルを生成し、当該入力信号の音声らしさの度合いが低い場合には当該グループ内の複数のパワースペクトルの平均値を求めて代表パワースペクトルを生成することを特徴とする請求項１記載の雑音抑圧装置。
3. 代表パワースペクトルは、音声らしさ評価値を重み付け係数に用いた、グループ内の複数のパワースペクトルのうちの最大値とグループ内の複数のパワースペクトルの平均値の重み付き和であることを特徴とする請求項１記載の雑音抑圧装置。

Images