JP7724678B2 - ハウリング防止回路、マイクロホン装置及び電子機器 - Google Patents

Description

本発明は、ハウリングを防止するためのハウリング防止回路と、前記ハウリング防止回路を備えるマイクロホン装置と、前記ハウリング防止回路を備える電子機器とに関する。

図８は従来例の拡声装置１１０Ａにおける構成例及び問題点を示すブロック図である。

図８に示すように、拡声装置（もしくは、会議装置、又は通信装置など）１１０Ａのマイクロホンとスピーカとの組み合わせで、ユーザがマイクロホンに向かって話した音声の音声信号を増幅してスピーカから出力した場合（会議装置又は通信装置のときは、送受信分離用ハイブリッド回路（二線四線変換器）での一部漏洩によるハウリングの発生、もしくは、別の通信装置の受信機のスピーカから出力した場合のハウリングの発生）、マイクロホン、音声増幅部、及びスピーカの間でループ回路が形成され、回り込み音の音声信号の増幅がループ回路内で繰り返されてハウリングが発生する。

例えば、特許文献１では、ハンドセット（送受話器）を用いずにスピーカとマイクロホンにて通話ができる拡声電話機が開示されている。この従来例に係る拡声電話機は、特に、スピーカから出た音が室内の壁などで反射してマイクロホンに入ることにより発生するハウリングを防止するために、反響消去回路を備えたことを特徴とする。

特開平１－１９８１５５号公報

上述のハウリングを防止するためには、回り込む音声信号の利得を一定レベルに抑えるために、入力される音声信号を一定レベル以下に制限するリミッタに通過させることで解決されるが、当該リミッタでの音質変化又は音量変化が発生するため、ハウリングではない本来の音声の音質も変化するという問題点があった。

また、マイクロホンから入力される第１の音声信号とスピーカに出力される第２の音声信号を使う、ハウリングの除去方法として以下の方法がある。
（１）例えば、マイクロホンからの第１の音声信号の反転信号を、第２の音声信号に加算することで打ち消す。もしくは、
（２）第１の音声信号をデジタルデータに変換して、マイクロホンからの第１の音声信号のみを第２の音声信号から除去する。

これらの方法では音声入力部と音声出力部の両方でこれらのハウリング除去の制御が必要となり、システム構成が複雑になり製品の小型化が困難になる。

本発明の目的は以上の問題点を解決し、従来例に比較して比較的簡単な構成で、高い精度でハウリングを防止することができるハウリング防止回路と、前記ハウリング防止回路を備えたマイクロホン装置と、前記ハウリング防止回路を備えた電子機器とを提供することにある。

本発明の一態様に係るハウリング防止回路は、
入力される音声を音声信号に変換するマイクロホンからの前記音声信号の音声の少なくとも一部が前記マイクロホンに入力されるときに発生するハウリングを防止するハウリング防止回路であって、
前記マイクロホンからの音声信号からノイズを除去して音声信号のみを出力するノイズキャンセル部を備え、
前記ノイズキャンセル部は、人間の音声の特徴パラメータを用いて学習され、入力される音声信号からノイズを含む非音声期間であるか否かを判定する深層学習モデル部を用いて、ノイズキャンセル処理を行い、
前記ノイズキャンセル部は、前記深層学習モデル部の前記判定に基づいて、入力される音声信号からノイズを含む非音声期間を通過させないようにノイズキャンセル処理を行って、前記ノイズキャンセル処理後の音声信号を出力する音声信号処理部を備える。

従って、本発明に係るハウリング防止回路等によれば、従来例に比較して比較的簡単な構成で、高い精度でハウリングを防止することができる。

実施形態１に係る拡声装置１１０の構成例を示すブロック図である。 図１のノイズキャンセル部１０２の詳細構成例を示すブロック図である。 図２の深層学習モデル部３５の詳細構成例を示すブロック図である。 実施形態２に係る拡声システム１１３の構成例を示すブロック図である。 実施形態３に係る会議装置１２０の構成例を示すブロック図である。 実施形態４に係る無線通信装置１３０の構成例を示すブロック図である。 図１の拡声装置１１０の構成例及び動作例を示すブロック図である。 従来例の拡声装置１１０Ａにおける構成例及び問題点を示すブロック図である。

以下、本発明に係る実施形態及び変形例について図面を参照して説明する。なお、同一又は同様の構成要素については同一の符号を付している。

（実施形態１）
図１は、実施形態１に係る拡声装置１１０の構成例を示すブロック図である。

図１において、拡声装置１１０は、マイクロホン１０１と、ノイズキャンセル部１０２と、音声信号増幅部１０３と、スピーカ１０４とを備えて構成される。

拡声装置１１０において、マイクロホン１０１に入力された音声は電気信号に変換された後、ノイズキャンセル部１０２に入力される。ノイズキャンセル部１０２は、後述する深層学習モデル部３５（図２及び図３）を用いて音声期間と、ノイズを含む非音声期間とを区別して、非音声期間を通過させないようにノイズキャンセル処理を行って、音声以外のノイズを除去する処理を行った後、処理後の音声信号を音声信号増幅部１０３に出力する。音声信号増幅部１０３は入力される音声信号を増幅してスピーカ１０４に出力し、スピーカ１０４は入力される音声信号を音声に変換して出力する。

図２は図１のノイズキャンセル部１０２の詳細構成例を示すブロック図である。

図２を参照して、深層学習モデル部３５を用いた図１のノイズキャンセル部１０２の構成及び動作について以下に説明する。

ここで、「音素」という用語は、特定の言語において１つの単語を他の単語から区別する音の単位を意味し、「振動レート」という用語は、各秒におけるデジタル化された振動データの０と１の間の移動の数を意味し、「振動計数値（ＶＣ）」という用語は、各フレーム内のデジタル化された振動データの値の合計を意味する。また、「振動パターン」とは、時間軸に沿った所定のフレーム数ごとに算出された振動数の総和のデータ分布を意味する。深層学習モデル部３５では、異なる振動パターン、すなわち異なる振動計数値の総和（ＶＳ値）のデータ分布の違いを考慮して、ノイズキャンセル処理を行っており、振動レートは振動計数値に類似しているが、振動レートが大きいほど、振動計数値も大きくなる。

音声信号の振幅と振動レートは共に観測可能である。ノイズキャンセル部１０２の特徴は、音声信号の振幅と振動率に応じて音声イベントを検出することである。また、別の特徴は、デジタル化された振動データの振動計数値の総和を、あらかじめ定義されたフレーム数分だけ計測することで、音声と、非音声／無音を区別することである。もう一つの特徴は、入力される音声信号データのストリームをその振動パターンによって異なる音素に分類することである。別の特徴は、下流の処理部をトリガするように、入力される音声信号データストリームから最初の起動音素を正しく区別することであり、それによって、処理部を含む計算システムの電力消費等の計算コストを節約することである。

図２において、ノイズキャンセル部１０２は音声イベント検出を用いてノイズキャンセル処理を行うものであって、音声前置処理部３８と、ＡＤ変換器３９と、音声信号処理部３０とを備えて構成される。ここで、音声前置処理部３８は、アナログ音声信号に対して、ハイパスフィルタリング、ローパスフィルタリング、増幅又はそれらの組み合わせ等を含む、音声信号前置処理を行って、処理後のアナログ音声信号をＡＤ変換器３９に出力する。すなわち、音声前置処理部３８は、マイクロホン１０１からの音声信号に対して、人間の音声信号の所定のレベル範囲であって、所定の帯域幅のみを通過させる。次いで、ＡＤ変換器３９は、所定の基準電圧Ｖｒｅｆ及び許容電圧Ｖａｄｍ（＜Ｖｒｅｆ）に従って、アナログ音声信号をデジタル音声信号にＡＤ変換して音声信号処理部３０の入力インターフェース３６に出力する。

本実施形態において、ＡＤ変換器３９において、基準電圧Ｖｒｅｆよりも小さい許容電圧Ｖａｄｍは、基準電圧Ｖｒｅｆと組み合わせて、第１のしきい値電圧Ｖｔｈ１（＝Ｖｒｅｆ＋Ｖａｄｍ））及び第２のしきい値電圧Ｖｔｈ２（＝Ｖｒｅｆ－Ｖａｄｍ）を形成するために使用され、ＡＤ変換器３９は、第１のしきい値電圧Ｖｔｈ１及び第２のしきい値電圧Ｖｔｈ２に基づいて、第１のしきい値電圧Ｖｔｈ１以上又は第２のしきい値電圧Ｖｔｈ２以下のノイズに対してＡＤ変換を実行せず、その間の音声信号に対してＡＤ変換を実行することで、入力されるアナログ音声信号のノイズ及び干渉を除去することができる。ここで、例えばＶｒｅｆ＝１．０Ｖ，Ｖａｄｍ＝０．０１Ｖとすると、静かな環境では振動データの振動数が少なく，音声環境では振動データの振動数が多いことが理解できる。なお、本実施形態において、「フレームサイズ」とは、各フレーム内のデジタル化された振動データに対応するサンプリングポイントの数を意味し、「音素ウィンドウＴｗ」とは、各音素の音声特徴量を収集するための時間を意味する。好ましい実施形態では、各フレームの継続時間Ｔｆは例えば０．１～１ミリ秒（ｍｓ）であり、音素ウィンドウＴｗは例えば約０．３秒である。さらに好ましい実施形態では、各フレーム内のデジタル化された振動データに対応するサンプリングポイントの数は例えば１～１６の範囲である。

音声信号を分析する場合、ほとんどの音声信号は短期間で安定しているので、通常、短期分析の方法が採用される。例えば、ＡＤ変換器３９で使用されるサンプリング周波数ｆｓが１６０００であり、各フレームの時間継続期間Ｔｆが１ｍｓであると仮定すると、フレームサイズはｆｓ×１／１０００＝１６サンプルポイントとなる。

図２において、音声信号処理部３０は例えばコンピュータデバイスで構成され、
（１）ノイズキャンセルなどの所定の音声信号処理を実行するＣＰＵ（Central Processing Unit）３１と、
（２）ＣＰＵ３１の基本処理を実行するオペレーティングシステム及び前記音声信号処理のプログラム、並びに当該プログラムを実行するために必要なデータ等を格納するＲＯＭ（Read Only Memory）３２と、
（３）ＣＰＵ３１の基本処理を実行するオペレーティングシステム及び前記音声信号処理のプログラムの実行時に、処理中のデータ等を格納するＲＡＭ（Read Access Memory）３３と、
（４）前記音声信号処理を実行するために必要な後述する設定データ等を格納する不揮発性のＥＥＰＲＯＭ（Electrically Erasable Programmable Memory）３４と、
（５）例えばニューラルネットワークなどで構成され、人間の音声信号データに基づいて深層学習されて入力される音声信号データに対して、ノイズを除去して実質的に音声信号のみを抽出して出力する深層学習モデル部３５と、
（６）ＡＤ変換器３９から入力される音声信号データを、後段の信号仕様値に変換するための所定の信号変換処理を行ってＣＰＵ３１に出力する入力インターフェース３６と、
（７）深層学習モデル部３５によりノイズが除去された音声信号データを、後段の信号仕様値に変換するための所定の信号変換処理を行って音声信号増幅部１０３に出力する出力インターフェース３７と、
を備えて構成される。

ここで、ＥＥＰＲＯＭ３４は例えば、一連の振動計数値ＶＣ、振動計数値の総和ＶＳ、振動計数値の総和ＶＳｆ、振動計数値の総和ＶＳｐ（後述する）、及びすべての特徴ベクトルの音声特徴値を記憶する。なお、ＥＥＰＲＯＭ３４は外部メモリなどの記憶装置であってもよい。ここで、ｘ個のフレームの振動計数値ＶＣを加算して、時点Ｔｊにおける現在のフレームの振動計数値の総和ＶＳを得る。ｘ個のフレームには現在のフレームが含まれる。一実施形態では、ＣＰＵ３１は、時点Ｔｊにおける現在のフレームの振動計数値ＶＣと、その直前（ｘ－１）個のフレームの振動計数値の総和ＶＳｐとを加算して、時点Ｔｊにおけるｘ個のフレームの振動計数値の総和ＶＳ（＝ＶＣ＋ＶＳｐ）を得る。

なお、変形例では、ＣＰＵ３１は、時点Ｔｊにおける現在のフレームの振動計数値ＶＣ、その直後のｙ個のフレームの振動計数値の総和ＶＳｆ、及びその直前の（ｘ－ｙ－１）個のフレームの振動計数値の総和ＶＳｐを加算して、時点Ｔｊにおけるｘ個のフレームの振動計数値の総和ＶＳ（＝ＶＣ＋ＶＳｆ＋ＶＳｐ）を得るが、ｙはゼロ以上である。ＣＰＵ３１は、ＶＳ、ＶＳｆ及びＶＳｐの値をＥＥＰＲＯＭ３４に格納する。好ましい実施形態では、ｘ個のフレーム（音素ウィンドウＴｗ）の継続時間（ｘ×Ｔｆ）は、約０．３秒である。さらに好ましい実施形態では、ｘ個のフレームのデジタル化された振動データに対応するサンプリングポイントの数は、ｘ～１６ｘの範囲にある。

一般的に、音声信号データについては、同じ音素では振動計数値ＶＣの振動パターンが類似しているが、異なる音素ではＶＳ値の振動パターンが全く異なる。従って、振動計数値ＶＣの振動パターンを利用して、音素を区別することができる。特に、例えば鶏又は猫の鳴き声と、人間の音声とは、振動計数値ＶＣの周波数分布に関して全く異なり、人間の音声の振動計数値ＶＣのほとんどは４０以下に分布していることが既知である。

学習フェーズにおいて、音声信号処理部３０のＣＰＵ３１は、まず、所定の音声信号データ収集方法を複数回実行して、複数の音素に対する複数の特徴ベクトルを収集し、複数の特徴ベクトルに対応するラベルを付加して、複数のラベル付き学習例を形成する。その後、起動音素を含む異なる音素に対する複数のラベル付き学習例を、深層学習モデル部３５の学習に適用する。最後に、学習された深層学習モデル部３５（音声信号データの予測モデルを構成する）を作成して、入力される音声信号データのストリームが起動音素を含むかどうかを分類する。音声信号処理部３０の起動音素として、所定の音素が指定されている場合、深層学習モデル部３５は、少なくとも当該指定された音素を含む異なる音素についての複数のラベル付き学習例で学習される。

すなわち、学習段階では、ラベル付けされた学習例のセットを使用して深層学習モデル部３５を学習し、それによって深層学習モデル部３５が、ラベル付けされた学習例の各フレームの３つの音声特徴量（例えば、（ＶＳｊ，ＴＤｊ，ＴＧｊ））に基づいて、ｊ＝０～２９９の間で、所定の起動音素を認識するようにする。学習段階の終わりに、学習された深層学習モデル部３５は、当該起動音素に対応する学習されたスコアを提供し、学習されたスコアは、次に、入力される音声信号データのストリームをランタイムで分類するための基準として使用される。なお、ＶＳｊ，ＴＤｊ，ＴＧｊは以下のように定義される。
（１）ＶＳｊ：フレームｊの振動計数値の総和（ＶＳ値）；
（２）ＴＤｊ：フレームｊにおいて、ゼロではない振動計数値の総和（ＶＳ値）の時間期間；及び
（３）ＴＧｊ；フレームｊにおける、ゼロではない振動計数値の総和（ＶＳ値）間の時間ギャップ（時間隙間）。

深層学習モデル部３５を学習するために、教師付き学習に関連する様々な機械学習技術を使用することができ、例えば、サポートベクターマシン（ＳＶＭ）法、ランダムフォレスト法、畳み込みニューラルネットワーク法などを利用できる。教師付き学習では、複数のラベル付けされた学習例を使用して関数計算部（すなわち、深層学習モデル部３５）が作成され、その各例は、入力特徴ベクトルとラベル付けされた出力からなる。学習されたとき、深層学習モデル部３５は、対応するスコア又は予測値を生成するために、新しいラベルのない例に適用することができる。

図３は図２の深層学習モデル部３５の詳細構成例を示すブロック図である。

深層学習モデル部３５は、例えば、図３に示すように、ニューラルネットワークを用いて実装される。ここで、ニューラルネットワークは、１つの入力層４１と、少なくとも１つであり好ましくは複数の中間層４２と、１つの出力層４３を含む。入力層４１には３つの入力ニューロン５１，５２，５３があり、各入力ニューロン５１，５２，５３は、特徴ベクトルの各フレームの３つのオーディオ特徴値（すなわち、ＶＳｊ，ＴＤｊ，ＴＧｊ）に対応する。また、中間層４２は、各入力ニューロン５１，５２，５３に関連する重み係数と各ニューロンのバイアス係数を有するニューロン６１～７４で構成される。学習フェーズのサイクルを通じて中間層４２の各ニューロン６１～７４の重み係数とバイアス係数を変更することにより，ニューラルネットワークを学習して，所定の種類の入力に対する予測値を報告するようにすることができる。さらに、出力層４３は、音素に対応する１つの予測値（具体的には、音声期間であるか、ノイズを含む非音声期間であるかを示す）を提供する１つの出力ニューロン８１を含む。

以上説明したように、前記ノイズキャンセル部において、深層学習モデル部３５は、人間の音声の特徴パラメータを用いて学習され、入力される音声信号からノイズを含む非音声期間であるか否かを判定する。そして、音声信号処理部３０のＣＰＵ３１は、深層学習モデル部３５の前記判定に基づいて、入力される音声信号からノイズを含む非音声期間を通過させないようにノイズキャンセル処理を行って、前記ノイズキャンセル処理後の音声信号を出力する。ここで、深層学習モデル部３５は、人間の音声の特徴パラメータを入力とし、入力される音声信号からノイズを含む非音声期間であるか否かを判定する判定結果を出力とする、図３のニューラルネットワークにより構成される。

以上のように構成された拡声装置１１０の動作例について、図１及び図７を参照して以下に説明する。

図７は図１の拡声装置１１０の構成例及び動作例を示すブロック図である。

図７において、マイクロホン１０１から入力される音声信号を、深層学習モデル部３５（図３）を用いたノイズキャンセル部１０２を通過させることで、本来はマイクロホン１０１に入力される周囲ノイズ音の非音声信号を低減して目的の音声の音声信号を抽出する目的であるが、ハウリングで発生する回り込み音の非音声信号も同様に低減することが可能となり、回り込み音の音声信号の増幅の繰り返しが回避される。これにより、マイクロホン１０１からの目的の音声の音声信号のみを抽出することができ、マイクロホン１０１に入力される周囲ノイズの低減を含め、ハウリング時においてもスピーカ１０４から出力される音声信号は音質変化が無く、かつ小規模でのシステム構成により小型製品でのハウリングを除去することが可能となる。

なお、本発明者らは、図１の拡声装置１１０を試作してハウリングを発生して実験を行った。実験の結果、本実施形態に係る拡声装置１１０のノイズキャンセル部１０２により高精度で有効的にハウリングの発生を防止できることを確認した。

以上説明したように、前記深層学習モデル部３５を用いたノイズキャンセル部１０２により、従来例に比較して比較的簡単な構成で、高い精度でハウリングを防止することができるハウリング防止回路を提供できる。また、ノイズキャンセル部１０２を拡声装置１１０に備えることで、ハウリングを高精度で有効的に防止することができる拡声装置を実現できる。

（実施形態２）
図４は、実施形態２に係る拡声システム１１３の構成例を示すブロック図である。

図４において、拡声システム１１３は、マイクロホン装置１１１と拡声装置１１２とを、音声信号ケーブル１０５を用いて接続されて構成される。

マイクロホン装置１１１は、マイクロホン１０１と、例えばリチウム電池等の二次電池である直流電源１０２Ｂにより電源供給されるノイズキャンセル部１０２とを備えて構成される。ノイズキャンセル部１０２の構成及び動作は、実施形態１に係るノイズキャンセル部１０２と同様である。ノイズキャンセル部１０２への電源供給は、直流電源１０２Ｂに限らず、交流電圧を整流平滑するいわゆるＡＣアダプタにより、もしくは、拡声装置１１２本体からの直流電圧の電源供給であってもよい。

また、拡声装置１１２は、音声信号増幅部１０３と、スピーカ１０４とを備えて構成され、これらの動作は図１の実施形態１と同様である。

以上説明したように、前記深層学習モデル部３５を用いたノイズキャンセル部１０２により、従来例に比較して比較的簡単な構成で、高い精度でハウリングを防止することができる。また、ノイズキャンセル部１０２をマイクロホン装置１１１に備えることで、ハウリングを高精度で有効的に防止することができる拡声システム１１３を実現できる。

図４において、マイクロホン装置１１１は、例えば「オプションマイクロホン」もしくは「外部マイクロホン」と呼ばれることがある。また、拡声装置１１２は無線通信装置又は有線通信装置であってもよい。

（実施形態３）
図５は、実施形態３に係る会議装置１２０の構成例を示すブロック図である。

図５において、会議装置１２０において、マイクロホン１０１－１に入力された音声は電気信号に変換された後、ノイズキャンセル部１０２－１に入力される。また、マイクロホン１０１－２に入力された音声は電気信号に変換された後、ノイズキャンセル部１０２－２に入力される。各ノイズキャンセル部１０２－１，１０２－２は、前記深層学習モデル部３５（図２及び図３）を用いて音声期間と、ノイズを含む非音声期間とを区別して、非音声期間を通過させないようにノイズキャンセル処理を行って、音声以外のノイズを除去する処理を行った後、処理後の音声信号を加算器１２１に出力する。加算器１２１は入力される２個の音声信号を加算した後、加算後の合成音声信号を、送受信分離用ハイブリッド回路（二線四線変換器）１２２を介して通信インターフェース１２３に出力する。

通信インターフェース１２３は例えばＵＳＢ（Universal Serial Bus）インターフェースであって、通信ケーブル１２４を介して、例えばパーソナルコンピュータ（ＰＣ）１２５に接続されて、ＵＳＢインターフェース信号を送受信する。本実施形態では、通信インターフェース１２３は、会議装置１２０で取得した合成音声信号を、パーソナルコンピュータ１２５に例えばインターネットなどの所定のネットワークを介して接続された相手方のパーソナルコンピュータ(図示せず）に送信するとともに、相手方の音声信号を受信する。受信された相手方の音声信号はハイブリッド回路１２２及び音声信号増幅部１０３を介してスピーカ１０４から当該音声信号の音声が出力される。

以上のように構成された会議装置１２０を用いた会議システムでは、例えば以下のハウリング経路が考えられる。
（１）ハイブリッド回路１２２における一部漏洩により、マイクロホン１０１－１，１０１－２に入力された会議装置１２０のユーザの音声信号が加算器１２１からハイブリッド回路１２２及び音声信号増幅部１０３を介してスピーカ１０４から出力される音声が、マイクロホン１０１－１，１０１－２に回り込む。
（２）マイクロホン１０１－１，１０１－２に入力された会議装置１２０のユーザの音声信号が通信インターフェース１２３及びパーソナルコンピュータ１２５、及び相手方のパーソナルコンピュータを介して相手方のスピーカから音声信号の音声が出力される。この音声が、相手方のマイクロホンに拾われて、逆方向でパーソナルコンピュータ１２５、通信インターフェース１２３、ハイブリッド回路１２２及び音声信号増幅部１０３を介してスピーカ１０４から出力されて、マイクロホン１０１－１，１０１－２に回り込む。もしくは、相手方のハイブリッド回路での一部漏洩により、ユーザの音声信号が戻ってくる場合もある。

しかしながら、本実施形態では、前記深層学習モデル部３５を用いたノイズキャンセル部１０２－１，１０２－２により、従来例に比較して比較的簡単な構成で、高い精度でハウリングを防止することができる。また、ノイズキャンセル部１０２－１，１０２－２を会議装置１２０に備えることで、ハウリングを高精度で有効的に防止することができる会議システムを実現できる。

以上の実施形態では、２個のマイクロホン１０１－１，１０１－２及び２個のノイズキャンセル部１０２－１，１０２－２を備えているが、本開示はこれに限らず、複数個のマイクロホン１０１及び複数個のノイズキャンセル部１０２を備えてもよい。

以上の実施形態では、１個のマイクロホン１０１－１，１０１－２に対して各１個のノイズキャンセル部１０２－１，１０２－２を備えているが、本発明はこれに限らず、２個のマイクロホン１０１－１，１０１－２からの２個の音声信号を加算した後、１個のノイズキャンセル部１０２により、前記深層学習モデル部３５を用いたノイズキャンセル処理を行ってもよい。

（実施形態４）
図６は、実施形態４に係る無線通信装置１３０の構成例を示すブロック図である。

図６において、無線通信装置１３０は、マイクロホン１０１と、ノイズキャンセル部１０２と、音声信号増幅部１０３Ａと、変調送信部１３１と、送信アンテナ１３２と、受信アンテナ１３３と、受信復調部１３４と、音声信号増幅部１０３と、スピーカ１０４とを備えて構成される。

図６の無線通信装置１３０において、マイクロホン１０１に入力された音声は電気信号に変換された後、ノイズキャンセル部１０２に入力される。ノイズキャンセル部１０２は、前記深層学習モデル部３５（図２及び図３）を用いて音声期間と、ノイズを含む非音声期間とを区別して、非音声期間を通過させないようにノイズキャンセル処理を行って、音声以外のノイズを除去する処理を行った後、音声信号増幅部１０３Ａを介して変調送信部１３１に出力する。変調送信部１３１は入力される音声信号に従って、所定の変調方式で搬送波を変調することで変調無線信号を発生して送信アンテナ１３２を介して送信する。一方、受信復調部１３４は、相手方の無線通信装置からの変調無線信号を受信アンテナ１３３により受信し、当該受信した変調無線信号を低雑音増幅、周波数変換、中間周波増幅などを行った後、所定の復調方式で音声信号に復調して音声信号増幅部１０３を介してスピーカ１０４に出力する。

以上のように構成された無線通信装置１３０を用いた無線通信システムでは、例えば以下のハウリング経路が考えられる。
（１）マイクロホン１０１に入力された無線通信装置１３０のユーザの音声信号が変調送信部１３１により変調しかつ無線送信されて、相手方の無線通信装置のスピーカから音声信号の音声が出力される。この音声が、相手方のマイクロホンに拾われて、逆方向で無線通信装置１３０の受信復調部１３４及び音声信号増幅部１０３を介してスピーカ１０４から出力されて、マイクロホン１０１に回り込む場合が考えられる。

しかしながら、本実施形態では、前記深層学習モデル部３５を用いたノイズキャンセル部１０２により、従来例に比較して比較的簡単な構成で、高い精度でハウリングを防止することができる。また、ノイズキャンセル部１０２を無線通信装置１３０に備えることで、ハウリングを高精度で有効的に防止することができる無線通信システムを実現できる。

以上の実施形態においては、変調送信部１３１と、受信復調部１３４とを備えているが、本発明はこれに限らず、受信復調部１３４は別体の装置とし、少なくとも変調送信部１３１を備えてもよい。

以上の実施形態では、無線通信装置１３０について説明しているが、本発明はこれに限らず、無線通信装置１３０に代えて、有線通信装置、電話機、スマートホンなどの通信装置にも適用することができる。

以上詳述したように、本発明に係るハウリング防止回路によれば、深層学習モデル部を用いたノイズキャンセル部により、従来例に比較して比較的簡単な構成で、高い精度でハウリングを防止することができる。また、ノイズキャンセル部を、拡声装置、通信装置、会議装置、電話機、スマートホン、又はコンピュータに備えることで、ハウリングを高精度で有効的に防止することができる音声処理システムを実現できる。

３０ 音声信号処理部
３１ ＣＰＵ
３２ ＲＯＭ
３３ ＲＡＭ
３４ ＥＥＰＲＯＭ
３５ 深層学習モデル部
３６ 入力インターフェース
３７ 出力インターフェース
３８ 音声信号前置処理部
３９ ＡＤ変換器
４１ 入力層
４２ 中間層
４３ 出力層
５１～８１ ニューロン
１０１，１０１－１，１０１－２ マイクロホン
１０２，１０２－１，１０２－２ ノイズキャンセル部
１０２Ｂ 直流電源
１０３，１０３Ａ 音声信号増幅部
１０４ スピーカ
１０５ 音声信号ケーブル
１１０，１１０Ａ 拡声装置
１１１ マイクロホン装置
１１２ 拡声装置
１１３ 拡声システム
１２０ 会議装置
１２１ 加算器
１２２ ハイブリッド回路
１２３ 通信インターフェース
１２４ 通信ケーブル
１２５ パーソナルコンピュータ
１３０ 無線通信装置
１３１ 変調送信部
１３２ 送信アンテナ
１３３ 受信アンテナ
１３４ 受信復調部

Claims (6)

1. 入力される音声を音声信号に変換するマイクロホンからの前記音声信号の音声の少なくとも一部が前記マイクロホンに入力されるときに発生するハウリングを防止するハウリング防止回路であって、
   前記マイクロホンからの音声信号からノイズを除去して音声信号のみを出力するノイズキャンセル部を備え、
   前記ノイズキャンセル部は、入力される音声信号からノイズを含む非音声期間であるか否かを判定する深層学習モデル部を用いて、前記判定の結果に基づいてノイズキャンセル処理を行い、
   前記深層学習モデル部は、学習時において、前記音声信号における時間軸に沿った所定のフレーム数ごとに算出された振動数の総和のデータ分布である人間の音声の特徴パラメータを、学習の入力として用い、前記振動数の総和のデータ分布を表す振動パターンに基づいて、前記音声信号からノイズを含む前記非音声期間であるか否かを判定する判定の結果を学習し、
   前記深層学習モデル部は、学習後の動作時において、入力される音声から変換された音声信号に関する人間の音声の特徴パラメータを入力したときに、前記判定の結果を出力し、
   前記ノイズキャンセル部は、前記深層学習モデル部の前記判定の結果が前記非音声期間であるときに、入力される音声から変換された音声信号から、ノイズを含む前記非音声期間を通過させないようにノイズキャンセル処理を行って、前記ノイズキャンセル処理後の音声信号を出力する音声信号処理部を備える、
   ハウリング防止回路。
2. 前記深層学習モデル部は、所定のニューラルネットワークにより構成される、
   請求項１に記載のハウリング防止回路。
3. 前記ノイズキャンセル部は、
   前記音声信号処理部の前段に設けられ、前記マイクロホンからの音声信号に対して、人間の音声信号の所定のレベル範囲であって、所定の帯域幅のみを通過させる音声信号前置処理部をさらに備える、
   請求項１又は２に記載のハウリング防止回路。
4. 請求項１～３のうちのいずれか１つに記載の前記ハウリング防止回路を備える、
   マイクロホン装置。
5. 請求項１～３のうちのいずれか１つに記載の前記ハウリング防止回路を備える、
   電子機器。
6. 前記電子機器は、拡声装置、通信装置、会議装置、電話機、スマートホン、又はコンピュータである、請求項５に記載の電子機器。