JPH03274098A - 雑音除去方式 - 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】 枝先分立 本発明は、音声！！識装置、より詳細には、高雑音環境
での音声認識における雑音除去技術に関し、例えば、自
動車内での、ダイヤリング、オーディオ機器の制御、ニ
アコンディショナーの制御、ナビゲーションシステムの
制御等のための音声Ｌ＆識装置に適用して好適なもので
あり、更には、家庭内、事務所内などでも応用可能なも
のである。

史来挟先 近年、音声による情報入力手段が注目を集めているが、
自動車内においても、自動車電話の発呼、オーディオ機
器の制御、ニアコンディショナーの制御、ナビゲーショ
ンシステムの制御等のための音声認識技術を応用するこ
とが考えられている。

しかしながら、自動車内の音声認識は、エンジン音、タ
イヤの走行音、あるいは、ラジオ、ステレオの再生音が
雑音として音声信号に混入することと、運転中に接話型
マイクなどの口との距離の近いマイクが装着できないた
め、音声信号とノイズとの比、即ち、Ｓ／Ｎが悪いこと
が問題となり、雑音除去技術が不可欠なものとなってい
る。

従来の音声認識における雑音除去技術としては。

Ｓ、Ｆ、Ｂｏｌｌをはじめとするスペクトラルサブトラ
クション法、　Ｂ、　１１ｉｄｒｏｖをはじめとするア
ダプテイブノイズキャンセリング等がある。

しかしながら、スペクトラルサブトラクション法は、時
間非定常な雑音に弱く、例えば、ラジオ。

ステレオの再生音（音声や楽音）のように、音声帯域で
時間非定常な雑音が大きい場合は、まず、音声区間検出
も十分にできず、音声区間検出ができたとしても、推定
雑音成分量が実際の雑音成分と異なるという欠点がある
。また、アダプティブノイズキャンセリングは、２人力
、即ち、２本のマイクを用いた場合、複数の雑音源から
の合成された雑音に対してうまく対応ができないという
欠点があり、であるからといって、マイクの本数をいた
ずらに増やしても、信号処理の量が膨大になり、かつ、
コスト高になり実用化が困難になるという欠点がある。

また、ラジオ、ステレオなどのスピーカから再生される
音（音声認識装置にとっては雑音〉に関しては、マイク
からの入力から、スピーカに送られる信号に適当なゲイ
ンをかけたものを差し引く方法も考えられるが、スピー
カからマイクまでの遅延や、周囲の反射音があるために
、時間波形上で単純に両者の差を取っても効果は期待で
きない。

さらにマイクの入力から、スピーカに入力される電気信
号を補正して、補正することも考えられるが、自動車内
等の狭い空間を考える場合、その中に存在する人間の数
によって補正の仕方が異なってくると言う問題があった
。

且−一攻 本発明は、上述のごとき従来技術の欠点に鑑みて威され
たもので、特に、音声を入力するためのマイク付近で発
生する音声帯域で、かつ１時間非定常性の強いラジオ、
ステレオなどの再生音が雑音として音声信号に重畳して
いても、適切にこの雑音を除去し、このような雑音環境
下での良好な音声認識を実現することを目的としてなさ
れたものである。

璽−一」又 本発明は、上記目的を遠戚するために、音声認識用の音
響収集部に、認識させたい音声信号と、その近傍に置か
れた電気音響変換器から再生される不要な信号が混入し
、入力された音声信号の中から、不要な信号を除去する
雑音除去方式において、（１）前記電気音響変換器から
音声認識用の音響収集部までの複数種類の音響伝搬特性
あるいはそれに準ずるものを記憶する記憶手段をもち、
音声認識用の音響収集部で入力される、雑音を含んだ音
声から特徴量を抽出する第１の特徴量抽出部と、上記音
響収集部の近傍に置かれた電気音響変換器から再生する
為に利用する電気（Ｑ号を第１の特徴抽出部と同じ特徴
に変換する第２の特徴量抽出部と（第１と第２が同じも
のであっても良い）、上記第２または第１の特徴量抽出
部で抽出された特徴量に前記記憶手段に記憶された音響
伝搬特性の一つの補正をした後、第１または第２の特徴
量抽出部で抽出された信号から除去するようにしたこと
を特徴としたものであり、更には、（２）上記音声収集
部の周囲に置かれた電気音響変換器が複数個ある場合に
、それぞれの電気音響変換器から再生するための電気音
響変換器再生用信号に、上記それぞれの電気音響変換器
と上記音声収集部との予め定められた位置関係で予め測
定された上記それぞれの電気音響変換器再生用信号と上
記音声収集部から入力される信号間の伝達関数に相当す
るそれぞれの処理を行った信号をすべて加算した信号の
特徴量を電気音響変換器再生用信号による雑音の特徴量
とすることを特徴としたものである。以下、本発明の実
施例に基づいて説明する。

第１図は１本発明の一実施例を説明するための構成図で
、図中、１はマイク、２はマイクｌの周囲に置かれたス
ピーカ、１０はマイク１から入力された雑音を含む音声
の特徴量を抽出する第１の特徴量抽出部、２０はスピー
カ再生用信号による雑音の特徴量を抽出する第２の特徴
量抽出部、３０は第１の雑音除去部、４０は音声区間検
出部。

５０は雑音推定部、６０は第２の雑音除去部、７０は入
カバターン生戒部、８０は標準パターンメモリ、９０は
認識部で、請求項第１項に記載の発明は、音声認識用の
音響収集部１に、認識させたい音声と、該音響収集部１
近傍に置かれた電気音響変換器２から再生される不要な
信号が混入し、入力された音声信号の中から、不要な信
号を除去する雑音除去方式において、前記電気音響変換
器２から音声認識用の音響収集部１までの複数種類の音
響伝搬特性あるいは、それに準ずるものを記憶する記憶
手段２８をもち、音声認識用の音響収集部１で入力され
る、雑音を含んだ音声から特徴量を抽出する彫工の特徴
量抽出部１０と、上記音響収集部１の近傍に置かれた電
気音響変換器２から再生する為に利用する電気信号を第
１の特徴抽出部と同じ特徴に変換する第２の特徴量抽出
部２０と（第１と第２が同じものであっても良い）と、
上記第２または第１の特徴量抽出部で抽出された特徴量
に前記記憶された音響伝搬特性の一つの補正をした後、
第１または第２の特徴量抽出部で抽出された信隆から除
去するようにして雑音を除去するようにしたものである
。

更に詳細に説明すると、第１の特徴量抽出部１０は、自
動車内に設置され音声を入力するためのマイク１から入
力される雑音を含む音声の特徴量を抽出するもので、マ
イクアンプ１１は、増幅を行ない、プリエンファシス１
２は、高域を強調し、バンドパスフィルタバンク１３は
、２５０Ｈｚから６．３５ＫＨｚまで対数軸上で等間隔
に配置された１５個の周波数を中心周波数とするバント
パスフィルタ群と、その各帯域毎の整流器、ローパスフ
ィルタから成り、スペクトルを求める。マルチプレクサ
１４は、上記の各部域のデータを切り替え、Ａ／Ｄコン
バータ１５は、１０ａ＋ｓのサンプリング周期で各帯域
毎のデータをデジタル化する。

従って、第１の特徴量抽出部１０に入力された信号は、
マイクアンプ１１、プリエンファシス１２、バンドパス
フィルタバンク１３、マルチプレクサ１４、Ａ／Ｄコン
バータ１５を経て、雑音を含む音声のタイムスペクトル
パターンＸ　（ｔｔ　ｆ）（ここで、しは時間軸、ｆは
周波数軸である）となる。また、第２の特徴量抽出部２
０は、マイク１の周囲に置かれたスピーカ２から再生さ
れるためのスピーカ再生用信号を用いてスピーカ再生用
信号による雑音の特ｙＩｌ量を抽出するもので、プリエ
ンファシス２２は、プリエンファシス１２と同様に高域
を強調し、バンドパスフィルタバンク２３は、バンドパ
スフィルタバンク１３と同様にしてスピーカ再生用信号
のスペクトルを求め、マルチプレクサ２４は、マルチプ
レクサ１４と同様にして各帯域のデータを切り換え、Ａ
／Ｄコンバータ２５は、Ａ／Ｄコンバータ１５と同様に
して各征域毎のデータをデジタル化する。第２の特徴量
抽出部２０に入力された信号は、プリエンファシス２２
、バンドパスフィルタバンク２３．マルチプレクサ２４
、Ａ／Ｄコンバータ２５を経て、スピーカ再生用信号の
タイムスペクトルパターンＮ　（ｔ、ｆ）となる。更に
、例えば、このスピーカ再生用信号のタイムスペクトル
パターンＮ（ｔ。

ｆ）と、予め測定され伝達関数メモリ２８に記憶された
スピーカ２とマイク１間の伝達関数Ｈ（ｆ）との積Ｎ（
ｔ、ｆ）・Ｈ（ｆ　）が乗算器２７で計算され、スピー
カ再生用信号による雑音のタイムスペクトルパターン Ｎ１（ｔ、ｆ）＝Ｎ（ｔ、ｆ）　・Ｉ−（ｒ（ｆ）とな
る。なお、伝達関数Ｈ（ｆ）の添え字ｒは、伝連関数が
複数あるとき、その種類を表すものとする。スピーカ２
とマイク１間の伝達関数Ｈｒ（ｆ）は。

第２の特徴量抽出部２０に入力されるスピーカ再生用信
号にインパルス信号を与えて、スピーカ２を介して再生
された音をマイク１から収音して得られるインパルス応
答をフーリエ変換して予め求めることができる。または
、スピーカからホワイトノイズのような周波数帯域の広
い信号を出したり、周波数スィーブ信号を再生して、そ
のときにマイクから収拾される信号との関係を調べるこ
とによって求めることができる。ただし、部屋の中に居
る人間の数等で伝達関数が大きく変化することが考えら
れるので、人数によって関数がどのような変化をするか
を調べておく必要がある。その調べた結果を複数保持し
ておく。

第１の雑音除去部３０は、第１の特徴量抽出部１０で抽
出された雑音を含む音声のタイムスペクトルパターンＸ
（ｔ、ｆ）から第２の特徴量抽出部２０で抽出されたス
ピーカ再生用信号による雑音のタイムスペクトルパター
ンＮ１（ｔ、ｆ）を減じ、雑音を含む音声信号からスピ
ーカ再生用信号による雑音を除去したタイムスペクトル
パターンｘｉ（ｔ、ｆ）＝Ｘ（ｔ、ｆ）−Ｎｌ（ｔ、ｆ
）を生成する。

音声区間検出部４０は、第１の雑音除去部３０で生成さ
れた雑音を含む音声信号からスピーカ再生用信号による
雑音を除去したタイムスペクトルパターンＸ１（ｔ、ｆ
）から音声区間を検出する。

ここで用いられる音声区間検出の方法は、タイムスペク
トルパターンＸ１（ｔ、ｆ）の各フレームにおける合計 ５ Σ　ＸＩ（ｔ、ｆ） ｆ＝１ が、予め定められたしきい値を越えた区間を音声区間と
する。

第２の雑音除去部６０は、音声区間検出部４０で検出さ
れた音声区間における第１の雑音除去部３０で生成され
た雑音を含む音声信診からスピーカ再生用信号による雑
音を除去したタイムスペクトルパターンＸ１ｓ（ｔ、ｆ
）（添え字Ｓは、音声区間を表す〉から更にスピーカ再
生用信号による雑音以外の雑音のタイムスペクトルパタ
ーンＮ　２　（ｔ、ｆ）を雑音推定部５０で推定して減
じ、音声のタイムスペクトルパターン Ｓ　（ｔ、ｆ）＝　Ｘ１ｓ（ｔ、ｆ）　−ＮＺ（ｔ、ｆ
）を生成する。ここで、スピーカ再生用信号による雑音
以外の雑音のタイムスペクトルパターンＮ２（ｔ、ｆ）
は、公知のスペクトルサブトラクション法に従って、音
声区間でない時の第１の雑音除去部３０の出力Ｘ１ｎ（
ｔ、ｆ）の複数フレームの平均を雑音推定部５０にて推
定して充てる（添え字ｎは、非音声区間を表す）。

入カバターン生成部７０は、第２の雑音除去部６０で生
成された音声の特ｙＩｉ量から公知の例えばＢ　Ｔ　Ｓ
　Ｐ　（Ｉｌｉｎａｒｙ　Ｔｉｍｅ　Ｓｐｅｃｔｒｕｗ
＋　Ｐａｔｔｅｒｎ）音声認識方式の音声パターン生成
法に徒って入力された音声の入カバターンを生成する。

標準パターンメモリ８０は、ＢＴＳＰ音声認識方式の標
準パターン形式になっている音声の標準パターンを記憶
する。

認識部９０は、入カバターン生成部７０で生成された入
カバターンと上記標準パターンメモリ８０に記憶された
標準パターンとで公知のＢＴＳＰ音声認識方式の認識処
理に従って認識処理を行う。

セレクトスイッチ２８′は伝達関数メモリ２８の中に記
憶された複数の伝達関数の中の一つを選び出すためのス
イッチである。

尚、以上に示した実施例で用いた手段以外に、音声区間
検出部４０の音声区間検出法、第２の雑音除去部６０の
雑音除去法、入カバターン生成部７０のパターン生成法
、ａ準パターンメモリ８０のパターン形式、認識部９０
の認識処理などに公知の方法を用いても本発明を実施す
ることができる。

また、バンドパスフィルタバンク１３．２３は、ＦＦＴ
などのデジタル４３号処理と置き換えても良く、また、
Ａ／Ｄコンバータ１５と２５は１時分割処理によって共
有することも可能である。

まず、自動車のような狭い室内を考え、セレクトスイッ
チによって室内にいる人数を選ぶと、それに応じた伝達
関数が選ばれて補正用に使われる。

伝達関数は中に居る人間の大きさ体形更に厳密に言うな
ら衣類によっても変化してくるが、ここでは近似的なも
のを設定しておけばよい６つまり、式（１）でのｒを設
定する。後は、得られた結果を式（２）に代入して雑音
を除去した４８号を作り出す。

第２図は、第１図に示した実施例を、スピーカが複数個
ある場合に対応するために拡張した場合の一実施例を示
す構成図で、スピーカの数が例えば２個の場合、第２の
特徴量抽出部２０ａ、２０ｂも２個で、スピーカ２ａ、
２ｂから再生されるためのそれぞれのスピーカ再生用信
号を入力し、バンドパスフィルタ２３ａ、２３ｂで得ら
れるこれらのスピーカ再生用信号のタイムスペクトルパ
ターンＮａ（ｔ、ｆ）、　Ｎｂ（ｔ、ｆ）と、予め測定
されたスピーカ２ａ、２ｂとマイク１間の伝達関数１（
ａ　（ｆ　）、Ｉ−Ｉｂ（ｆ）のそれぞれの積が乗算器
２７ａ、２７ｂで求められ、これらの積の総和が加算器
２８でスピーカ再生用信号による雑音のタイムスペクト
ルパターン Ｎ１（ｔ、ｆ）　　＝Ｎａ（ｔ、ｆ）・Ｈａ（ｆ）　　
＋　Ｎｂ（ｔ、ｆ）・Ｎｂ（ｆ）（３） となる。これ以降の処理は、第１図に示した実施例と同
じである。また、スピーカの個数が３個以上でも同様な
手法で実現できる。

塾−一朱 以上の説明から明らかなように、請求項第１項の発明に
よると、第１の雑音除去部３０において、雑音を含む音
声の特徴量から音声帯域でしかも時間非定常性の強いス
ピーカ再生用信３による雑音の特徴量を除去してから、
音声区間検出部４０において、音声区間を検出するので
、スピーカ再生音以外の雑音、例えば、自動車内では、
エンジン音、タイヤの走行音、また例えば、家庭内、事
務所内では、Ｈｏｔｈノイズに代表されるような雑音と
いったいずれも低域（１００１１７，から数Ｌｏｏｔ（
ｚ程度）でしかも時間定常性の強い雑音が主な雑音から
音声区間を検出するので検出精度が向上し、結果として
高雑音下の音声の認識率が改善される。

更に、室内に存在する人数で部屋の音響特性が変化して
も、それにあった伝達関数を選ぶことができるため、正
確な雑音除去が可能になる。

また、請求項第２項の発明によれば、マイク１の周囲に
置かれたスピーカ２が複数個ある場合にモ、　第２　ノ
特５ｉ’景抽出部２０　ａ　、　２０　ｂ　、　、　、
。

が、それぞれのスピーカ２ａ、２ｂ、、　０、とマイク
１間の伝達関数に相当するそれぞれの処理を乗算器２７
ａ、２７ｂ、、、、で行った信号をすべて加算器２９で
加算した信号の特徴量をスピーカ再生用信号による靴音
の特徴量とし、第１の雑音除去部３０が、雑音を含む音
声の特徴量がらスピーカ再生用信号による雑音の特徴量
を除去するので、スピーカ２が複数個ある場合にも、ス
ピーカ再生用信号による雑音の取分を正確に除去できる
ので、結果として高雑音下の音声の′Ｌ１Ｆ！Ｐ識率が
改善される。

【図面の簡単な説明】

第１図は、請求項第１項に記載した発明の一実施例を説
明するための構成図、第２図は、請求項第２項に記載し
た発明の−・実施例を説明するための構成図である。 １・・・マイク、２．２ａ、２ｂ・・・スピーカ、１０
・・第１の特徴量抽出部、２０．２０ａ、２０ｂ・・・
第２の特徴量抽出部、１１・・・マイクアンプ、１２゜
２２．２２ａ、２２ｂ・・・プリエンファシス回路、１
３．２３．２３ａ、２３ｂ＝バンドパスフイルタバ”）
’）、　　１４、２４、２４　ａ　、　２４　ｂ−マ）
Ｉｉチプレクサ、　　１５、２５、２５　ａ　、　２５
　ｂ　・・ハ／Ｄコンバータ、２７、２７　ａ　、　２
７　ｂ　−乗算器、２８、２８　ａ　、　２８　ｂ−伝
達関数メモリ、２８′・・セレクトスイッチ、２９・・
・加算器、３ｏ・・第１の雑音除去部、４０・・・音声
区間検出部　５　Ｑ・・・雑音推定部、６０・・・第２
の雑音除去部、７ｏ・・・人カバターン生成部、８ｏ・
・・標準パターンメモリ、９０・・・認識部。 代　理　人　　高　野　明　近（ばか１名）第 １ 認諏砧果 図 第 図

Claims (1)

1. 【特許請求の範囲】 １、音声認識用の音響収集部に、認識させたい音声信号
   と、該音響収集部近傍に置かれた電気音響変換器から再
   生される不要な信号が混入する場合、入力された音声信
   号の中から、不要な信号を除去する雑音除去方式におい
   て、前記電気音響変換器から音声認識用の音響収集部ま
   での複数種類の音響伝搬特性あるいはそれに準ずるもの
   を記憶する記憶手段を有し、音声認識用の音響収集部で
   入力される、雑音を含んだ音声から特徴量を抽出する第
   １の特徴量抽出部と、上記音響収集部の近傍に置かれた
   電気音響変換器から再生する為に利用する電気信号を前
   記第１の特徴抽出部と同じ特徴に変換する第２の特徴量
   抽出部と、上記第２または第１の特徴量抽出部で抽出さ
   れた特徴量に前記記憶手段に記憶された音響伝搬特性の
   一つの補正をした後、前記第１または第２の特徴量抽出
   部で抽出された信号から除去するようにした雑音除去方
   式。 ２、上記音声収集部の周囲に置かれた電気音響変換器が
   複数個ある場合に、それぞれの電気音響変換器から再生
   するための電気音響変換器再生用信号に、上記それぞれ
   の電気音響変換器と上記音声収集部との予め定められた
   位置関係で予め測定された上記それぞれの電気音響変換
   器再生用信号と上記音声収集部から入力される信号間の
   伝達関数に相当するそれぞれ補正処理を行った信号をす
   べて加算した信号の特徴量を電気音響変換器再生用信号
   による雑音の特徴量とすることを特徴とした請求項第１
   項に記載の雑音除去方式。