JPH01162465A - 話者検出装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔概　　要〕 テレビ会議システムにおいて話者検出によりカメラを自
動的に話者に追従させるだめの話者検出装置に関し、 話者数より少なく指向性の低いマイクを用いて話者検出
ができることを目的とし、 各々が最大３人の話者を対象とした所定指向角度を有す
る話者数より少ない数のマイクの出力信号を閾値に対す
る２値信号に変換するサンプリング回路と、該２値信号
により該マイクの出力有無を判定するとともに、隣接す
る２つのマイクが同時出力中であると判定したとき該マ
イクの中間の位置に対応する話者を発言者と認識し、隣
接する３つのマイクが同時出力中であると判定したとき
には真ん中の位置に対応する話者を発言者と認識するよ
うに該話者の位置と該マイクの位置とを相対的に予め記
憶している話者認識回路とで構成する。

〔産業上の利用分野］ 本発明は話者検出装置に関し、特にテレビ会議システム
において話者検出によりカメラを自動的に話者に追従さ
せるための話者検出装置に関するものである。

テレビ会議では、テレビカメラの撮影対象として、現在
発言中の話者を追い掛けることが必要であり、映像を円
滑に切り替えるためには、発言者を自動的に検出して自
動的に追従動作を行う必要がある。

〔従来の技術〕 第７図は、発言者を自動的に検出してカメラを自動的に
追従させる先に本出願人により開示されたテレビ会議シ
ステム（昭和６２年１２月２１日出願）全体を示したも
ので、会議の出席者１−１〜１−４に対してそれぞれマ
イク２−１〜２−４が用意されている。

これらのマイク２−１〜２−４から出力される音声信号
はミキサ１１で合成された音声信号として音声伝送装置
１２に送られる。

また、マイク２−１〜２−４の各出力信号をサンプリン
グ回路３でサンプリングする。このサンプリング回路３
は、マイクからの音声信号が所定閾値レベル以上の時に
オンで、それ以下の時にオフとする２値のディジタル信
号に変換する回路であり、このサンプリング回路３の出
力は話者認識回路１３（上記の出願ではサンプリング回
路も含めて話者検出回路と称している）に与えられて話
者を検出し、その検出した話者を特定する信号が旋回台
制御装置１４に送られ、この制御装置１４によりカメラ
１５の電動旋回台１６が制御されてカメラ１５はその検
出された話者の方向を向くようになる。そして、このカ
メラ１５からの映像信号は映像伝送装置１７を介して伝
送される。

上記の話者認識回路１３では、第８図に示すように、サ
ンプリング回路３のディジタル信号出力を入力バッファ
３１を介してマイク２−１〜２−４に対して用意された
蓄積バッファ３２−１〜３２−４にそれぞれ分配して蓄
積する。これらの蓄積バッファ３２−１〜３２−４のビ
ット数は所定秒数、例えば４秒間のサンプリング数に対
応じており、蓄積バッファ３２−１〜３２−４にセット
されたビット数でマイク２−１〜２−４の音声入力が確
認された通算時間が示されることになる。

このビット数によって示された通算時間は処理回路３３
に入力され、この処理回路３３では、その通算時間が約
２秒間に相当するビット数、即らほぼ半数のビットがセ
ットされている蓄積バッファに対応するマイクに対する
話者を発言者として認識する。

この場合、認識された発言者に対応するマイクの数が複
数あった時には、蓄積バッファ３２−１〜３２−４にセ
ットされたビット数、即ち通算時間の最も長いバッファ
に対応するマイクに対する話者を発言者と認識している
。

このようにして処理回路３３からは、検出された話者に
割り当てられた番号信号が出力されて旋回台制御装置１
４に送られてテレビカメラ１５を旋回制御する。

〔発明が解決しようとする問題点〕

と記のテレビ会議システムに用いられる話者検出装置に
おいては、出席者１人に対して１本のマイクを用意する
必要があった。

また、１つのマイクで複数話者の音声を捉えないように
するため、第９図に点線で示すように指向性の高いマイ
クを使用しなければならず、このような指向性の高いマ
イクを使用しても話者が体を揺ずつたり座席位置がズし
ていたりすると指向範囲外に出てしまい当該話者の音声
を捉えることができなくなってしまうという問題点があ
った。

従って、本発明は、話者数より少なく指向性の低いマイ
クを用いて話者検出ができる装置を実現することを目的
とする。

〔問題点を解決するための手段〕

第１図は上記の目的を達成するための本発明に係る話者
検出装置を概念的に示したもので、１は話者、２は各々
が最大３人の話者１を対象とした所定指向角度を有する
話者数より少ない数のマイクをそれぞれ総称して示し、
３はマイク２の出力信号を閾値に対する２値信号に変換
するサンプリング回路であり、４はその２植信号により
マイク２の出力有無を判定するとともに、隣接する２つ
のマイク２が同時出力中であると判定したときマイク２
の中間の位置に対応する話者１を発言者と認識し、隣接
する３つのマイク２が同時出力中であると判定したとき
には真ん中の位置に対応する話者１を発言者と認識する
ように話者１の位置とマイク２の位置とを相対的に予め
記憶している話者認識回路である。

〔作　　　用〕

本発明に係る話者検出装置では、第１図に示ずようにサ
ンプリング回路３でマイク２の出力信号と所定の閾値と
を比較し、その結果をオン／オフの２値信号に変換して
話者認識回路４に与える。

話者認識回路４では、サンプリング回路３から出力され
る２値信号によってマイク２の出力が有るか無いか、即
し雑音でないか正規の出力であるかをまず判定し、その
後、隣接する２つのマイク２が同時に正規の出力を発生
していると判定したとき、その出力発生中の２つのマイ
ク２の中間の位置に対応する位置に居る話者１を発言者
と認識し、隣接する３つのマイク２が同時に正規の出力
を発生していると判定したときには３つのマイク２の内
の真ん中の位置に対応する位置に居る話者１を発言者と
認識する。この認識は、話者認識回路４において、話者
１の位置とマイク２の位置とを相対的に予め記憶してい
ることによって行われる。

これを第２図及び第３図で説明すると、第２図（ａ）の
ように、５人の話者Ａ−Ｅに対して３つのマイク■〜■
を用意した時、マイク■〜■は各々が最大３人の話者１
を対象とした所定指向角度を有するため、第２図（ｂ）
に示すように、マイク■と■が同時出力判定された時に
は、話者Ｂを認識し、マイク■と■が同時出力判定され
た時には、話者りを認識する。また、第３図（ａ）に示
すように、６人の話者Ａ−Ｆに対して４つのマイク■〜
■を用意した時、第３図（ｂ）に示すように、マイク■
〜■が同時出力判定された時には、話者Ｃを認識し、マ
イク■〜■が同時出力判定された時には、話者りを認識
する。

このようにして、話者数より少ない数のマイクで高い指
向性の影響を受けずに話者判定を行うことができる。

〔実　施　例〕

以下、本願発明に係る話者検出装置の実施例を説明する
。

第４図は本発明の話者検出装置を組み込んだテレビ会議
システムの全体図を示したもので、第７図に示した本出
願人が先に提案したテレビ会議システムと異なる点は、
話者１の数に対してマイク２の数が少ないことである。

そして、本発明では、第７図のテレビ会議システムに用
いる話者認識回路１３を上記の目的に沿って改良した話
者認識回路４を用いている。

この話者認識回路４は一実施例としては、第８図と同様
の構成を採用することができる。但し、処理回路３３に
用いるソフトウェアは第５図に示すものを用いる。

以下、第５図のプログラムを備えた処理回路を組み込ん
だ場合の第８図の話者認識回路の動作を第３図を用いて
説明する。

まず、蓄積ハソファ３２−１〜３２−４に蓄積されたセ
ットピット数を順次人力して記憶しておく（第５図のス
テップＳＬ）。そして、その内の最初のマイクをＮｏ−
１（例えば第３図のマイク■）としく同ステップＳ２）
、このマイクに正規の入力があったかどうか、即ちセッ
トビットよる通算時間が所定値を越えているかどうかを
チエツクしく同ステップＳ３）、所定値を越えていれば
そのマイク■のフラグを“１゛にしく同ステップＳ４）
、そうでない場合には”ｏ”にする（同ステップＳ５）
。このステップをマイクの数ｎ−４　（マイク■〜■）
だけ行う（同ステップＳ６、３７）。

上記の判定の結果、フラグが１′”のマイクの数をチエ
ツクしく同ステップＳ８）、その数が０か又は４（又は
４以上）の場合は、次の４秒間のサンプリングに移る（
同ステップＳ９）。これは発言者が無いか又は複数発言
者が存在すると認識されたためである。

次に、フラグが１”のマイクが１個の場合には、当然そ
のマイクに対応した話者が発言しているごとになるので
、その話者位置番号を旋回台制御装置１４に送る（同ス
テップＳＩＯ、Ｓ１１）。

また、フラグが“１゛のマイクの数が２か又は３の場合
には、まずこれらのマイクは互いに隣接しているか否か
をチエツクする（同ステップＳ１２）。隣接していなけ
れば、やはり複数発言者が存在するとして次のサンプリ
ングに移る（同ステップＳ１３）。隣接している場合に
は、そのフラグが“′１゛の数が２であるか３であるか
を判別しく同ステップＳ１４）、前者の場合には話者の
位置番号を、隣接しているマイクの番号を２で割った数
に対応するものとして出力しく同ステップＳ１５、３１
６）、後者の場合には、３つのマイクのうちの真ん中の
マイクに対応する話者の位置番号を出力する（同ステッ
プＳ１７、３１６）。

ここで、マイクの番号を２で割った場合の話者の位置番
号の認識について説明すると、これは第６図に示すよう
に、実際に存在するマイク番号と話者の位置番号とを対
応さゼ、且つマイクが不足している数の分だけ例えばマ
イク番号１．５、３．５を仮想して全話者の位置番号と
対応させるようにすればよい。

尚、上記の実施例では、第８図に示した入力バッファ３
１と蓄積バッファ３２とによるマイク出力の有無信号を
用いてたが、これは本発明に不可欠ではなく、また、別
の手段によって行っても構わない。

〔発明の効果〕

以上のように、本発明の話者検出装置によれば、各々が
最大３人の話者を対象とした所定指向角度を有するマ゛
イクを用いて、隣接する２つ又は３つのマイクが同時出
力中であると判定したときそれぞれに対応する話者を発
言者と認識するように構成したので、マイクの本数を話
者の数より減らすことができ、また、指向性が低いので
、話者の座席位置とマイク位置のレイアウトに柔軟性を
持たせることができ汎用性に冨み実用的であるとともに
指向範囲の誤差を吸収することができ、誤りの少ない話
者検出が実現できる。

【図面の簡単な説明】

第１図は本発明に係る話者検出装置を概念的に示した図
、 第２図及び第３図は本発明に係る話者検出装置の作用を
説明する図、 第４回は本発明に係る話者検出装置を組み込ん　　　□
だテレビ会議システム全体を示すブロック図、第５図は
本発明に係る話者検出装置の話者認識回路における処理
回路に用いられるプログラムのフローチャート図、 第６図はマイク番号と話者位置番号との対応関係を説明
するための図、 第７図は本出願人が先に提案したテレビ会議システム全
体を示すブロック図、 第８図は本発明及び第７図に適用される話者認識回路の
具体例を示す図、 第９図は従来の話者とマイクとの関係を示す図、である
。 図において、 １・・・話者、 ２・・・マイク、 ３・・・サンプリング回路、 ４・・・話者認識回路。 図中、同一符号は同−又は相当部分を示す。 ゝ）、 １＠ 本弁用１ｑ基る話肴模出装置の根Ｅｔ［剛節１区 （α）（ｂ） 水弁８１１３ｔ、：よる話ネ８％阪の杷念説朋図＠２図 （α）（ｂ） 本衰明（二よる４舌名Ｍ畑Ｗの堰を色説明図第３図 莞５図 マイグ番号ヒ弁位置番ちヒの関県 第６図 従来例のシステム構成 第７図 第８図

Claims (3)

【特許請求の範囲】
1. （１）各々が最大３人の話者（１）を対象とした所定指
   向角度を有する話者数より少ない数のマイク（２）の出
   力信号を閾値に対する２値信号に変換するサンプリング
   回路（３）と、 該２値信号により該マイク（２）の出力有無を判定する
   とともに、隣接する２つのマイク（２）が同時出力中で
   あると判定したとき該マイク（２）の中間の位置に対応
   する話者（１）を発言者と認識し、隣接する３つのマイ
   ク（２）が同時出力中であると判定したときには真ん中
   の位置に対応する話者（１）を発言者と認識するように
   該話者（１）の位置と該マイク（２）の位置とを相対的
   に予め記憶している話者認識回路（４）と、 を備えたことを特徴とする話者検出装置。
2. （２）前記話者認識回路（４）が、隣接する２つのマイ
   ク（２）が同時出力中であると判定したとき該マイク（
   ２）に割り当てられた番号を加算して２で割った値の位
   置に対応する話者（１）を発言者と認識するものである
   特許請求の範囲第１項に記載の話者検出装置。
3. （３）前記話者認識回路（４）が、前記サンプリング回
   路（３）の２値出力信号を蓄積バッファ（３２−１〜３
   ２−４）に順次蓄積し、該蓄積バッファ（３２−１〜３
   ２−４）にセットされたビット数に応じて前記マイク（
   ２）の出力を判定するものである特許請求の範囲第１項
   又は第２項に記載の話者検出装置。