JPH09502814A - 音声活動検出装置 - Google Patents

Abstract

(57)【要約】 記憶されたノイズ推定値（113）と入力信号とのスペクトル比較（114,115）により、ノイズから音声が区別される。（バッファ（113）中の）ノイズ推定値の更新は、音声が存在しない期間中に、補助検出装置（200）の制御のもと許容される。強い高調波成分（例えば、シグナリングトーン）を有する信号が存在する場合の動作を改良するために、LPC予測利得は、入力（x(i)）と、入力の周波数スペクトルに対して補足的な応答を有するフィルタ（115）によりフィルタ処理された後の入力から得られた残差（y(i)）とから計算される。そして、利得がしきい値を越えた場合、バッファ更新が抑制される。

Description

【発明の詳細な説明】 音声活動検出装置 音声活動検出装置は、音声期間またはノイズのみを含む期間の検出のために、 信号が供給される装置である。本発明はこれに限定されないが、このような検出 装置に対する特に興味ある１つの適用は、沈黙期間中に送信機をオフにすること により電力消費および干渉を減少させるために、音声が存在するか否かの情報が 活用される移動無線電話システムにある。この場合、（移動体搭載装置からの） ノイズレベルも高いことが多い。無線システムにおける他の可能性ある用途は、 無線スペクトルの利用効率を改善することである。 図１は、われわれの国際特許出願WO89/08910に記載されているような、音声活 動検出装置を示している。 ノイズのある音声信号が入力１で受信される。記憶装置２は、ノイズの周波数 スペクトルの推定値またはモデルを規定するデータを含んでいる。これと現在の 信号のスペクトルとの比較３がなされ、しきい値と比較４される類似性の尺度が 得られる。ノイズ成分の変化を追跡するために、音声がない時のみ、入力信号か らノイズモデルが更新される。また、しきい値も、適応することができる（アダ プタ６）。 誤判定を引き起こす漸進的で不正確な適応の危険性がなく、ノイズのみの期間 中だけ適応が確実に生じるようにするために、適応は補助検出装置７の制御のも と実行される。検出装置７は、無音声検出装置８と有音声検出装置９とを具備す る。 検出装置７は、いずれかの検出装置が音声を認識した時に、音声が存在すると考 え、更新と主検出装置のしきい値適応とを抑制する。典型的には、無音声検出装 置８が、信号に対して１組のLPC係数を得て、連続するフレーム期間の間、これ らの係数の自己相関関数を比較する一方、有音声検出装置９がLPC残差の自己相 関の変動量を検査する。 この構成は、音声期間とノイズだけが受信される期間とを区別するのに非常に 優れている。しかしながら、補助検出装置により、シグナリングトーンが単なる ノイズであるとされることがよくあり（すなわち、補助検出装置がシグナリング トーンを音声として認識しない）、そのため、シグナリングトーンがノイズであ るかのように主検出装置がシグナリングトーンに適応し、シグナリングトーンの 送信が妨げられるか、あるいは少なくとも早まって終了されてしまう問題が生じ る。 この問題は、それぞれ特定のシグナリングトーンの周波数に同調されたトーン 検出装置を設けることにより解消することができる。しかしながら、世界中の異 なるシグナリングトーンの多様性はかなりのものであるから、「接続」トーンが 発生された国に関わらず、例えば国際通話をしている移動電話ユーザが確実に「 接続」トーンを聞けるようにするために、非常に多数の個々の検出装置が必要と なる。 本発明にしたがうと、入力信号中の音声の存在を検出する音声活動検出装置が 提供される。 音声活動検出装置は、 （ａ）入力信号のノイズ成分の推定値を記憶する手段と、 （ｂ）出力判定信号を生成するために、入力信号と記憶された推定値とのスペ クトル類似度を識別する手段と、 （ｃ）記憶された推定値を更新する手段と、 （ｄ）補助検出装置により入力信号に音声が存在しないことが示された時のみ 更新が生じるように、更新手段を制御する補助検出装置とを具備し、入力信号に 対する予測利得パラメータを計算可能な手段と、予測利得がしきい値を越えた時 に更新を抑制するように構成された修正手段とにより特徴付けられている。 本発明のいくつかの実施例を、例として、添付した図面を参照して説明する。 図２は、本発明の１つの観点にしたがった音声活動検出装置を有する音声符号 装置のブロック図である。 図３および図４は、種々の入力信号からの予測利得値のグラフを示したもので ある。 図５、図６および図７は、本発明のさらに別の実施例のブロック図である。 図２において、通常の音声符号装置100は音声入力101を有し、音声信号は、8K Hzでサンプルされ、アナログ−デジタルコンバータ102によりデジタル形態に変 換される。ウインドウ装置103は、音声サンプルを（例えば、）160サンプルのフ レーム（すなわち、２０ミリ秒フレーム）に分割し、それを、ハミングウインド ウと、またはフレームの最初と最後におけるサンプルの寄与を減少させる他の関 数と乗算する。相関装置104は、デジタル音声サンプルを受信し、各フレーム に対する自己相関係数Ｒ_iを生成する。LPC解析装置105は、例えば、レビンソン −ダービンまたはシュラーアルゴリズムのような既知の方法を使用して、入力音 声信号の周波数スペクトルに対応している周波数応答を有するフィルタ（合成フ ィルタとして呼ばれることがある）の係数ａ_iを計算する。 デジタル入力信号は、この係数により制御される逆フィルタ（すなわち解析フ ィルタ）106も通過し、残差信号が生成される。残差信号は、その前の値からLPC 残差を予測するための最適遅延とその予測に対する対応利得値とを計算する長期 予測器解析装置107によりさらに解析される残差が生成される。解析装置106は、 第２の残差（すなわち、現在のLPC残差と得られたパラメータにより遅延されス ケール化された時のLPC残差との間の差）も形成する。励起装置108は、単にLPC 残差を量子化することにより、または他の通常の方法により、復号装置へ送信す る励起パラメータを導出する。 LPC係数ａ_i、長期予測器遅延ｄ、利得ｇ、および励起パラメータｅは、復号装 置へ送信される。 われわれの以前の特許出願にしたがった主音声活動検出装置は、現在の係数の 重み付けされた合計Ｒ_i’を生成する平均化装置110によって、自己相関係数Ｒ_i とバッファ111に記憶されている前のフレームからのものとを平均化する。さら に別の自己相関装置112は、バッファ113に送られるLPC係数ａ_iの自己相関係数Ｂ_i を形成する。（以下に説明される）補助検出装置によりノイズのみが含まれて いるとされる期間中だけバッファの内容が更新されるので、バッファ113 の内容Ｂ_i’は、入力信号のノイズスペクトルの推定値を表している。乗算／加 算装置114は、入力信号と以下の式により規定されるノイズモデルとの間のスペ クトル類似性の尺度Ｍを形成する。 ここで、ゼロの添字はゼロ次元自己相関係数を意味し、ｎは音声フレーム中の サンプル数である。 尺度Ｍは、比較装置115においてしきい値レベルと比較され、出力116に、音声 が存在しないことを示している信号が生成される。しきい値は、現在のノイズパ ワーレベルにしたがって、適応的に調整してもよい（117）。 音声認識の失敗は、音声情報でバッファを更新し、さらなる認識の失敗の結果 、すなわち「ロック」状態となるので、バッファ記憶装置113中のノイズ推定値 の更新は、直前に説明した検出装置の出力116により制御されない。したがって 、更新は、補助検出装置200により制御される。ノイズと無音声とを区別するた めに、これは、入力の（平均化されていない）自己相関係数Ｒ_iとLPC係数の（バ ッファされていない）自己相関係数Ｂ_iの積の合計を形成する（201）。減算装置 202は、バッファ203で遅延された前の音声フレームに対する対応する合計とこの 合計とを比較する。入力信号の連続するフレーム間のスペクトル類似度を表して いるこの差は、判定信号を生成するために、しきい値処理される。 有音声を認識するために、長期予測器遅延ｄがピッチ解析装置205により測定 される。この出力は、オアゲート206でしきい値段204の出力と結合される。すな わち、もし装置204または205のいずれかが（または両方が）、音声の存在を示し ている出力を生成するならば、補助検出装置200により、音声が存在していると される。導入部で論じたように、システムにシグナリングトーンが通るならば、 これらはノイズでなく音声として認識されなければならない。そして直前に説明 した補助検出装置は、これを達成するに際して、かなり非効率である。補助検出 装置はいくつかのトーンを認識するが、他のもの（一般的に、比較的純粋なスペ クトル成分をともなうもの）は認識されない。一旦補助検出装置200が失敗する と、バッファ113のノイズ推定値がシグナリングトーンで「慣らされる」ので、 主検出装置も失敗する。 したがって、シグナリングトーンを検出するために、さらに別の補助検出装置 が設けられる。人工的に生成されたシグナリングトーンがわずかな（変調されて いるかもしれない）周波数成分を含むことを観測するのに、これが使用されるの が好ましい。LPC予測器の性能は、このような信号に対して非常に高く、これは 、（多重トーン信号を含む）トーンベースの信号と背景または環境的なノイズ信 号との弁別をするために使用される。 LPC予測利得Ｇｐは、音声フレームの出力信号パワーに対する入力信号パワー の割合として以下のように定義される。 ここで、ｘ_iはフィルタ入力であり、ｙ_iは逆フィルタの出力である。 （ここで、ｍはフィルタ係数の個数であり、典型的に８または10である） 信号ｘ（ｉ）およびｙ（ｉ）は、コンバータ102およびフィルタ106のそれぞれ の出力において、LPC符号装置100から利用可能である。これらの値は２乗され（ 301,302）、予測利得は、上記等式にしたがってＧｐを計算する計算装置303によ り得られる。その出力は、比較装置304により、固定しきい値Ｔと比較される。 すなわち、利得がしきい値（典型的に、Ｔ＝63または18dB）を越えた場合、トー ンが認識されたとされる。トーン認識に対するいくつかの可能性ある応答がある 。すなわち、 （ａ）オアゲート303により主検出装置出力を無効にする。 （ｂ）オアゲート206への第３入力により、補助検出装置を無効にする。 （ｃ）（示したような）これらの両方 もちろん、商を計算する代わりに、Σｘ²項を、しきい値で乗算したΣｙ²項と比 較することができる。図３は、背景の 環境的なノイズ、音声、シグナリングトーン中の背景ノイズ、およびシグナリン グトーンそのものから得られた、ｄＢ表示の予測利得ヒストグラムを示している 。一方、図４は、異なるUKシグナリングトーン、すなわち、 「加入者接続（Subscriber Engaged）」トーン ダイヤルトーン リングトーン 「番号取得不可（Number Unobtainable）」トーン 「装置接続（Equipment engaged）」トーン に対する時間対予測利得のグラフを示している。実際には、加入者接続トーン、 ダイヤルトーン、および番号取得不可トーンは、別の検出装置により認識が成功 するが、実際は（例えば、キーパッドからの）多重周波数トーンである。リング トーンおよび「装置接続」トーンは、ピッチ解析装置205により認識される。 別の検出装置300は、あるタイプのトーンに対する検出装置として考えられる 。すなわちこれは、（図２の実施例で）残差ｙ_iが小さい状態を検出するように 見ることができるので、長期予測器107（したがって、ピッチ解析装置205）の動 作は強くない。 有音声を検出する代わりの方法は、ピッチ検出装置205を、301,302,303および 304に類似する装置で置換して、長期予測器解析装置107に基づく予測利得を形成 （およびしきい値処理）することである。 図２の装置に対するさらに２つの変形例を図５を参照して 説明する。第１に、図２に示されている実施例において、計算された予測利得が 音声符号装置100のLPC解析装置のものであり、これは、８次あるいは１０次の予 測器を典型的に使用する。しかしながら、解析装置のこの部分のベースが、情報 トーンが環境ノイズより高い予測利得となること、解析装置の次元が高くなると 、ノイズ環境をモデル化する予測器の能力も高くなることに着目すると、利得計 算を４次解析に限定することにより、１つまたは２つのトーンからなる情報信号 が高い予測利得を与え、一方、環境ノイズに対する予測利得は減少させることが できることが分かる。 原則として、これは、補助検出装置に供給するために、４次解析装置と、８次 装置105,106に並んだフィルタとを設けることにより達成することができる。し かしながら、（パーコール係数として呼ばれることがある）反射係数から予測利 得を計算する方がより簡単である。図５において、これらは、装置400により自 己相関係数Ｒ_iから既知の方法で計算される（しかしながら、音声符号装置の設 計に依存して、LPC解析装置105で、中間点からこれらを取り出すことも可能であ る）。予測利得の尺度は、第１の４つの反射係数Ｒｃ_iから、以下のように予測 誤差Ｐｅを計算することにより得ることができる。 これは、401で実行される。高い予測誤差は低い予測利得に 対応し、その逆も成り立つので、Ｐｅがしきい値Ｐthより少ないならば、シグナ リングトーンは存在するとされる。この比較403は、図２の比較304に取って代わ る。 第２に、移動無線環境におけるノイズは、低い周波数で非常に強い共振を含ん でいる。そして、「トーン」がしきい値周波数より下であるか否かを決定する別 のテストがなされる。しきい値の選択は妥協できる範囲を有するが、ほとんどの シグナリングトーンが400Hzより上にあるので、385Hzが提案される。 この別のテストは、LPCフィルタの極の周波数を決定することにより動作する 。解析の複雑さを減少するために、低い次元のフィルタが好ましい。再度説明す ると、別のLPC解析を実行できるが、反射係数からLPC係数を計算することにより 、図５と同じように進める方が容易である。装置400からの第１の２つの反射係 数のみが使用されると仮定すると、LPC係数ａ_iは装置404により通常の方法で計 算される。解析フィルタ応答が次の式となるように規定される。 Ｈ（ｚ）＝１／｛ａ₀＋ａ₁ｚ^-1＋ａ₂ｚ^-2｝ そして、ｚ平面上の極の位置は、以下の２次方程式に対する解により与えられ る。 ａ₀ｚ²＋ａ₁ｚ＋ａ₂＝０ ａ₀＝１ すなわち、 ｚ＝（−ａ₁／２）±ｊ√（（４ａ₂−ａ₁ ²）／４） もし、２乗根中の項が負の場合、極は実軸上にあり、信号はトーンではない。 ２乗根中の項が正で、極位置の実部が負 （すなわち、ａ₁＜０）である場合、極はｚ平面の左半分にある。これは必然的 に、周波数がサンプルレートの25％以上であること、すなわち、8KHzのサンプリ ング周波数ｆ_sに対して2000Hz以上であることを意味する。この場合、周波数計 算は必要なく、「＞385」信号はすぐに生成される。極周波数は以下の式で与え られる。 ｆ＝arctan｛−（√（４ａ₂−ａ₁ ²））／ａ₁｝ ×（ｆ_s／２π） ｆ＜385Hzの条件は、（２乗根を避けて）以下のように書くことができる。 （４ａ₂−ａ₁ ²）／ａ ＜tan ｛２π×３８５／ｆ_s｝ すなわち、ｆ_s＝8kHzで、 （４ａ₂−ａ₁ ²）／ａ₁ ²＜０．０９７３ この計算は、装置405で実行される。 その出力は、アンドゲート406で比較装置403の出力と結合されるので、「トー ン」判定は、予測利得が高くかつ極周波数が385Hzより大きい場合のみ生成され る。 必要な場合、2000Hzより上の極周波数（または他の何らかの上限）も止めるこ とができるので、予期されるシグナリングトーン範囲より上の高い周波数は、ト ーンとして認識されない。 ２次方程式を解く際に追加の計算が受け入れられるのであれば、第３および第 ４の反射係数も使用することができる。この場合、２つの関連する周波数ととも に、極の２つの複素 共役対が潜在的に識別され、両方の周波数がしきい値より下である場合、トーン は存在していないとされることが予想される。 図２および５の実施例が、（自己相関ベースLPC解析と共通である）自己相関 計算103の前に、ハミングウインドウを使用することは既に説明した。音声符号 装置でこのようなウインドウ処理の実行が望まれない場合には、可能性ある代わ りのものは、図５の場合で、ウインドウ処理103を省略し、反射係数計算400の代 わりに自己相関値を共分散値へ変換することにより置換することであり、装置40 1,404は反射係数ではなく共分散値を使用するように修正される。代わりに、（ 図５に関連した変更の部分のみを示している）図６に示されているように、最初 の処理は、反射係数計算装置400'および修正自己相関係数装置104'に供給される 出力を、共分散解析109が生成することである。LPC解析装置105は、以前のよう に、自己相関装置104'に、また示されているように、直接的に共分散解析装置10 9に接続される。 上記説明した「トーン検出」の実施例はよい結果を生じる。しかしながら、あ る領域で使用されている機械的に生成されたトーンは、低い予測利得となる高い 高調波成分を有する傾向があるので、これらの実施例は、機械的に生成されたト ーンの検出を失敗することがある。より高い高調波を単にフィルタ処理で取除く ことは、フィルタの挿入がすべての信号の自己相関を、したがって、他の信号に 対するより高い予測利得も増加させる傾向があるので、解決方法とはならない。 予 測器が、入力信号の特性よりもフィルタ極をモデル化する傾向があることが分っ た。しかしながら、予測利得解析が、高調波フィルタのパスバンドに対応してい る周波数範囲内のみの信号の予測能力を評価することに制限できるならば、フィ ルタ処理を使用してよい結果を得ることができることを発見した。これは、予測 利得解析前にフィルタバンド幅の２倍の周波数で信号をサブサンプリングするこ とにより達成することができる。 したがって、他の点で図５に類似する図７の実施例は、フィルタ450を使用す る。これは、600Hz（3dB点）までのパスバンドを有し、1200Hzで20dBのストップ バンド減衰を有する、単位円上にゼロ点を有するローパスイクワイアリップルFI Rフィルタである。ストップバンド減衰が余り大き過ぎないことが好ましいと考 えられる。フィルタ出力は、サブサンプリング装置451において、1200Hzでサブ サンプルされる。 このフィルタ処理が適用されると、トーン検出に対して、音声符号装置100と 成分を共有する機会は、もちろん、非常に減らされる。したがって、前に説明し たように、フィルタ450には、直接的にアナログ−デジタルコンバータ102からデ ジタル入力信号が供給され、フィルタ450は、反射係数解析装置400''に、または 共分散あるいは自己相関解析に供給する。自己相関の選択は、上記に説明したよ うに、ウインドウ処理が必要となる。 他の実施例は、予測利得解析の周波数範囲を過度に制限することなく、「高調 波」問題を軽減する。これはフィルタを 使用して、それぞれがトーンの基本および第３高調波の両方を含むことができな いくらい十分に狭い、２以上の周波数バンドに信号を分割することにより達成さ れる。各チャンネルは、サブサンプルされ、別々の予測利得解析を受ける。 したがって図８では、信号は、フィルタ450a,450bで周波数バンド400-1200Hz および1200-2000Hzに分割され、1.6kHzでサブサンプルされる（451a,451b）。反 射係数計算400''a,b、予測誤差解析401a,b、およびしきい値処理403a,bは、２つ のバンドに対して個別に実行される。比較装置403a,403bからの２つの出力は、 オアゲート206の別々の入力に導かれるので、いずれかのチャンネルでの高い予 測利得は、トーンの存在を示していると考えられる。図７の他の装置100-303は 、変更されていないので、図８では示されていない。

───────────────────────────────────────────────────── フロントページの続き (31)優先権主張番号 ９４１２４５１．８ (32)優先日 1994年６月21日 (33)優先権主張国 イギリス（ＧＢ） (81)指定国 ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＤＥ， ＤＫ，ＥＳ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，ＩＴ，ＬＵ，Ｍ Ｃ，ＮＬ，ＰＴ，ＳＥ)，ＡＵ，ＢＧ，ＢＲ，ＣＡ，Ｃ Ｎ，ＣＺ，ＦＩ，ＨＵ，ＪＰ，ＫＲ，ＮＯ，ＮＺ，ＰＬ ，ＲＯ，ＲＵ，ＳＫ，ＵＳ

Claims (1)

1. 【特許請求の範囲】 １．入力信号中の音声の存在を検出する音声活動検出装置において、 （ａ）入力信号のノイズ成分の推定値を記憶する手段と、 （ｂ）出力判定信号を生成するために、前記入力信号と前記記憶された推定値 とのスペクトル類似度を認識する手段と、 （ｃ）前記記憶された推定値を更新する手段と、 （ｄ）補助検出装置により入力信号に音声が存在しないことが示された時のみ 更新が生じるように、前記更新手段を制御する補助検出装置とを具備し、 前記入力信号に対する予測利得パラメータを計算可能な手段と、前記予測利得 パラメータがしきい値を越えた時に更新を抑制する修正手段を具備することを特 徴とする音声活動検出装置。 ２．前記補助検出装置は、LPC残差信号から得られた信号に応答する有音検出装 置を含む請求項１記載の音声活動検出装置。 ３．前記予測利得パラメータが、６次以下のLPC予測の予測利得を表している請 求項１または２記載の音声活動検出装置。 ４．前記予測利得パラメータが、４次以下のLPC予測の予測利得を表している請 求項３記載の音声活動検出装置。 ５．前記入力信号の１以上の主周波数成分を検出する手段と、前記主周波数成分 を予め定められたしきい値と比較し、前記主周波数成分が前記しきい値を越えた 時のみ更新を抑制する手段とをさらに具備している請求項１ないし４のいずれか １ 項記載の音声活動検出装置。 ６．前記利得計算手段は、前記入力信号の前記周波数範囲の上側部分を取除くた めにフィルタが前置され、前記利得計算は、前記フィルタのパスバンド内の周波 数成分に対してのみ実行される請求項１ないし５のいずれか１項記載の音声活動 検出装置。 ７．それぞれのパスバンドと前記それぞれのパスバンドに対する利得パラメータ を計算するそれぞれの利得計算手段とを有する２つのフィルタを具備し、 前記修正手段が、いずれかのパスバンド内の予測利得がしきい値を越えた時に 、更新を抑制するように構成されている請求項６記載の音声活動検出装置。 ８．フィルタされた信号をサブサンプリングする手段を含む請求項６または７記 載の音声活動検出装置。