JP3607450B2

JP3607450B2 - Audio information classification device

Info

Publication number: JP3607450B2
Application number: JP06559597A
Authority: JP
Inventors: 清乃氏原; 康之中島; 暁夫米山
Original assignee: KDDI Corp
Current assignee: KDDI Corp
Priority date: 1997-03-05
Filing date: 1997-03-05
Publication date: 2005-01-05
Anticipated expiration: 2017-03-05
Also published as: JPH10247093A

Abstract

PROBLEM TO BE SOLVED: To provide an audio information classifying device capable of detecting not only a musical section but also a sound section. SOLUTION: First of all, the frequency data at every a second are extracted from inputted audio information. Then, a mean energy operation part 5 obtains mean energy for a second, and decides a silence section and a sound section in a second. For the section decided as the sound section, an energy change rate operation part 8 obtains an energy change rate at every a second, and extracts the sound section, and inputs its time code to a sound section hold part 10. For the section not decided as the sound section, a mean band energy ratio operation part 11 obtains a mean band energy ratio at every a second, and extracts the musical section, and inputs its time code to a musical section hold part 13.

Description

【０００１】
【発明の属する技術分野】
本発明はオーディオ情報の分類装置に関し、特に、符号化されていない元のままのオーディオ情報あるいは符号化されたオーディオ情報から音声区間と音楽区間を分類できるオーディオ情報の分類装置に関する。
【０００２】
【従来の技術】
オーディオに関する研究は、今までは、周波数解析等を用いて計算機上に取り込まれた音声が何であるかを認識する音声認識や、調音パラメータ等によって機械的に音声を合成する音声合成の分野に関する研究が主流であり、オーディオをタイトルや内容によって分類するインデクシングに関する研究はまだ少ない。インデクシングに関する研究報告としては、例えば、南、阿久津らの“大量映像に対する効率的アクセスインターフェース”、ＩＴＥＴｅｃｈｎｉｃａｌＲｅｐｏｒｔＶｏｌ．１９，Ｎｏ．７，ｐｐ．１ー６のように音楽区間を検出し、その情報を用いて音楽が流れている動画像をインデクシングするものがある。
【０００３】
【発明が解決しようとする課題】
しかしながら、この研究報告は、音声区間の検出に関しては何ら触れておらず、音声区間を検出することができないという問題がある。また、該研究報告は、音楽区間の検出に関しても、周波数スペクトルのピークをＬＰＣケプストラムによって検出し、その平均持続時間を用いて音楽区間を検出しているため、圧縮符号化されたオーディオ情報からの検出は不可能であるという問題がある。
【０００４】
本発明の目的は、前記した従来技術の問題点に鑑み、音楽区間のみならず音声区間の検出もできるオーディオ情報分類装置を提供することにある。他の目的は、符号化されていないオーディオ情報および圧縮符号化されたオーディオ符号化データの両方でオーディオ情報を音楽区間と音声区間に分類することを可能にするオーディオ情報分類装置を提供することを目的とする。
【０００５】
【課題を解決するための手段】
前記目的を達成するために、本発明は、オーディオ情報から音声区間と音楽区間を分類するオーディオ情報分類装置において、入力されたオーディオ情報から単位時間ごとの周波数データを抽出するオーディオ周波数データ抽出手段と、前記抽出した単位時間ごとの周波数データを用いて、その区間が無音区間か有音区間かを判定し有音区間のみを抽出する無音／有音判定手段と、前記抽出した有音区間に対して単位時間ごとに隣り合うフレームのエネルギの総和の比からエネルギ変化率を求め、該エネルギ変化率の大きさが所定値より大きいとき、前記抽出された有音区間が音声区間であると判定する音声区間抽出手段と、前記抽出された有音区間が音楽であるか否かを判定する音楽区間抽出手段とを具備した点に特徴がある。
【０００６】
本発明によれば、符号化されていない元のままのオーディオ情報、あるいは符号化されたオーディオ情報のいずれからも、簡単かつ高速で、音声区間と音楽区間を分類することができるようになる。
【０００７】
【発明の実施の形態】
以下に、図面を参照して、本発明を詳細に説明する。図１は本発明の一実施形態の構成を示すブロック図、図２、図３は、図１のシステムの動作、特に制御部２０の動作の概要を表わすフローチャートである。この実施形態は、動画像および音声符号化の国際標準方式であるＭＰＥＧ１（ＩＳＯ／ＩＥＣ１１１７２）により圧縮された音声符号化データを用いて音声、音楽を分類するものであるが、本発明はこれに限定されるものではない。
【０００８】
以下に、図１および図２、図３を参照して、本実施形態の構成と動作を説明する。図１に示されているように、圧縮符号化されたオーディオの符号化データａは、可変長復号部１に入力される。ここで、該圧縮符号化されたオーディオの符号化データの構造について、ＭＰＥＧ１を例にして図４を参照して説明する。ＭＰＥＧ１では、図示されているように、元のオーディオ信号ｐからサンプリングした５１２個のＰＣＭサンプルＰをサブバンド符号化して３２個のサブバンドデータＰｉ（ｎ）（ｎ＝０，１，…，３１）を作り、それを時間的にサンプルをずらしながら３６回繰り返して、合計１１５２個のサブバンドデータを１フレームの符号化データＱとしている。
【０００９】
前記した構造の符号化データＱが前記可変長復号部１に連続して入力してくると、該可変長復号部１はこれを各フレームのサブバンドデータに復号し、サブバンドデータサブサンプリング部２に出力する。いま、ある単位時間を１秒とすると、該１秒は図５のａのように３８フレームから構成されているので、可変長復号部１は１秒分の符号化データに対し、同図のｂのように、３８個の３２×３６サンプルを出力する。
【００１０】
サブバンドデータサブサンプリング部２では、図５のｃに示されているように、単位時間（例えば、１秒）分のサブバンドデータのうち各フレームｉの先頭にあるサブバンドデータＳ_ｉ（ｎ）（ｉ＝０，１，…，ｊ−１）を抽出し、図１の各フレームのエネルギ演算部３および第１のメモリ４に入力する。
【００１１】
以上の動作は、図２では、ステップＳ１〜Ｓ９で行われる。ステップＳ１では、フレーム番号を表すｉが０と置かれ、ステップＳ２ではサブバンド番号を表すｎが０と置かれる。ステップＳ３では、可変長復号部１にて符号化データが可変長復号され、ステップＳ４ではｉフレーム目の先頭のサブバンドデータＳ_ｉ（ｎ）が抽出される。次に、ステップＳ５にて、ｎ＝３２が成立するか否かの判断がなされ、この判断が否定の時にはステップＳ６に進んでｎに１が加算される。そして、ステップＳ３に戻って前記と同様の処理が行われる。以上のステップＳ３〜Ｓ６の処理が繰り返し行われて、ステップＳ５の判断が肯定になると、ｉフレーム目の先頭のサブバンドデータＳ_ｉ（ｎ）が抽出されたことになる。
【００１２】
ステップＳ５の判断が肯定になると、ステップＳ７に進み、ｉに１が加算される。次にステップＳ８に進み、ｉ＝ｊが成立するか否かの判断がなされる。この判断が否定の時にはステップＳ２に戻り、再びｎ＝０とされて、再度前記した処理が続行される。以上の処理が繰り返し行われ、ステップＳ８の判断が肯定になると、ｉ＝０〜（ｊ−１）フレームの先頭のサブバンドデータＳ_ｉ（ｎ）が抽出されたことになり、ステップＳ９にて、これらのサブバンドデータＳ_ｉ（ｎ）は図１の各フレームのエネルギ演算部３および第１のメモリ４に転送されることになる。
【００１３】
各フレームのエネルギ演算部３では、下記の（１）式に従って各フレームのエネルギＥｉを計算し、平均エネルギ演算部５および第２のメモリ６に入力する。
【００１４】
【数１】

各フレームのエネルギＥｉが計算されると、該エネルギＥｉはステップＳ１０にて平均エネルギ演算部５および第２のメモリ６に転送される。平均エネルギ演算部５では、下記の（２）式に従って入力された各フレームのエネルギから単位時間間の平均エネルギＡＥを計算し第１の判定部７に入力する（ステップＳ１１）。
【００１５】
【数２】

第１の判定部７では、入力された単位時間間の音声情報が無音であるのか有音であるのかを、下記の（３）式に従って判定し条件に合う場合には有音であると判定する（ステップＳ１２）。有音である場合には無音である場合に比べて単位時間間の平均エネルギＡＥは大きいから、下記の（３）式が成立することになる。
【００１６】
ＡＥ＞α …（３）
ここに、αは予め定められた第１の閾値である。
【００１７】
該第１の判定部７において、入力された単位時間間の音声情報が有音であると判断された場合には、第２のメモリ６より各フレームのエネルギ単位時間分を読み出してエネルギ変化率演算部８に入力し（図３のステップＳ１３）、下記の（４）式に従ってエネルギ変化率Ｃを計算し、第２の判定部９に入力する。一方、無音であると判定された時には、以降の音声、音楽判定処理を終了し、ステップＳ１に戻る。下式のＣは、ＭＰＥＧ符号化データのサブバンドデータから求めた隣り合うフレームの２つのエネルギの比の単位時間における総和を表している。
【００１８】
【数３】

音声の時間波形を見ると、単語や音節ごとに波形も変化し、その間は数１０ｍ秒にわたって無音またはほぼ無音となることも多いため、そのスペクトル変化率は、連続波形となる音楽に比べて非常に大きくなる。そこで、第２の判定部９では入力された単位時間の音声情報が音声区間であるか否かを下記の(5) 式に従って判定し、条件に合う場合には音声区間と判定し、その区間のタイムコードｄを音声区間保持部１０に出力する（ステップＳ１４の判断が肯定、ステップＳ１５）。
【００１９】
Ｃ＞β …（５）
ここに、βは第２の閾値である。
【００２０】
一方、音声区間でないと判断された場合には（ステップＳ１４の判断が否定）、第１のメモリ４より各フレームの先頭のサブバンドデータを読み出して平均エネルギ比演算部１１に入力する（ステップＳ１６）。
【００２１】
平均バンドエネルギ比演算部１１では、下記の（６）式に従って平均バンドエネルギ比Ｂｍｉを計算して第３の判定部１２に入力する。
【００２２】
【数４】

音声の周波数は、図７（ａ）に示されているように、一般的に低周波帯域に集中し、一方音楽の周波数は、同図（ｂ）に示されているように、全帯域に分散する傾向がある。換言すれば、音声のサブバンドデータが低周波帯域に集中するのに対して、音楽のサブバンドデータは全帯域にわたって分散する傾向がある。そこで、第３の判定部１２では、入力された単位時間間の音声情報が音楽区間であるか否かを下記の（７）式に従って判定し（ステップＳ１７）、条件に合う場合には音楽区間と判定し、その区間のタイムコードｅを音楽区間保持部１３に出力する（ステップＳ１８）。
Ｂｍｉ＜γ …（７）
ここに、γは第３の閾値である。
【００２３】
以上のように、本実施形態によれば、圧縮符号化されたオーディオの符号化データから、音声区間と音楽区間を区別し、それぞれの区間のタイムコードを音声区間保持部１０および音楽区間保持部１３のそれぞれに記憶させることができるようになる。
【００２４】
本発明は、さらに圧縮符号化されていないオーディオ情報の分類に関しても適応できる。その場合の実施形態を以下に示す。
【００２５】
圧縮符号化されていないオーディオ情報を扱う場合は、図１の可変長復号部１およびサブバンドデータサブサンプリング部２は高速フーリェ変換部（以下、ＦＦＴ変換部と呼ぶ）に置き換えられる。元のオーディオ情報からこのＦＦＴ変換部において、図６にあるようにＦＦＴ変換を行い、単位時間分の周波数データを抽出する。今、該単位時間を１秒とすると、元のオーディオ信号ｐからサンプリングした２０４８個のサンプルをＦＦＴ変換し、それを時間的にサンプルをずらしながら３８回繰り返して、合計２０４８×３８個のＦＦＴデータを単位時間分の周波数データとしている。
【００２６】
その後、各フレームのエネルギ演算部、平均エネルギ演算部、エネルギ変化率演算部、および平均バンドエネルギ比演算部で、それぞれ下記の（８）式、前記（２）式、（４）式、および下記の（９）式に従ってそれぞれ各フレームのエネルギＥｉ、平均エネルギＡＥ、エネルギ変化率Ｃ、平均バンドエネルギ比Ｂｍｉを計算し、第１の判定部７、第２の判定部９、第３の判定部１２にてそれぞれ無音／有音の判定、音声の判定、音楽の判定を行う。
【００２７】
【数５】

【００２８】
【発明の効果】
以上説明したように、本発明によれば、圧縮符号化された音声データから符号化データ上でオーディオ情報を音声区間と音楽区間に分類することが可能になるという効果がある。
【００２９】
なお、本発明を実際に動作させたところ、次のような結果が得られた。すなわち、ＭＰＥＧ１レイヤ２で符号化された合計９０分のニュース番組と音楽番組のオーディオビットストリームを用いて、１秒毎の音声区間と音楽区間の分類を行った。音声区間は背景に音楽などがなく音声のみが含まれる区間を対象とし、音楽区間は音声の有無にかかわらず楽器演奏がある区間を対象とした。音声区間の検出に関しては、８９．４％、音楽区間に関しては７９．３％の検出率を得ることができ、音声区間の検出に関しては実用レベルの検出率を得ることができた。また、本発明によれば、圧縮符号化されていないオーディオ情報の分類に関しても、簡単に、音声区間と音楽区間に分類することが可能になるという効果がある。
【図面の簡単な説明】
【図１】本発明の一実施形態のオーディオ情報分類装置の構成を示すブロック図である。
【図２】図１の制御装置の動作を説明するためのフローチャートである。
【図３】図２の続きの動作を説明するためのフローチャートである。
【図４】ＭＰＥＧオーディオ符号化データの構造を説明するための図である。
【図５】図１のサブバンドデータサブサンプリング部の動作を説明するための図である。
【図６】符号化されていないオーディオ情報の周波数データの抽出方法を説明するための図である。
【図７】音声と音楽の周波数分布の傾向を示す図である。
【符号の説明】
１…可変長復号部、２…サブバンドデータサブサンプリング部、３…各フレームのエネルギ演算部、４…第１のメモリ、５…平均エネルギ演算部、６…第２のメモリ、７…第１の判定部、８…エネルギ変化率演算部、９…第２の判定部、１０…音声区間保持部、１１…平均バンドエネルギ比演算部、１２…第３の判定部、１３…音楽区間保持部。[0001]
BACKGROUND OF THE INVENTION
The present invention relates to an audio information classification apparatus, and more particularly, to an audio information classification apparatus that can classify a voice section and a music section from unencoded original audio information or encoded audio information.
[0002]
[Prior art]
Up to now, research related to audio is related to the field of speech synthesis that recognizes what speech is captured on a computer using frequency analysis, etc., and speech synthesis that mechanically synthesizes speech using articulation parameters. However, there is still little research on indexing that classifies audio by title and content. Research reports on indexing include, for example, “Efficient Access Interface for Mass Video” by Akutsu, Minami, ITE Technical Report Vol. 19, no. 7, pp. There is one that detects a music section, such as 1-6, and uses that information to index a moving image in which music flows.
[0003]
[Problems to be solved by the invention]
However, this research report does not mention at all about the detection of the speech section, and there is a problem that the speech section cannot be detected. In addition, regarding the detection of the music section, the research report detects the peak of the frequency spectrum by the LPC cepstrum, and detects the music section by using the average duration, and therefore, from the compression-coded audio information. There is a problem that detection is impossible.
[0004]
An object of the present invention is to provide an audio information classification device that can detect not only a music section but also a voice section in view of the above-described problems of the prior art. Another object of the present invention is to provide an audio information classification device that can classify audio information into a music section and a voice section using both uncoded audio information and compression-coded audio encoded data. Objective.
[0005]
[Means for Solving the Problems]
In order to achieve the above object, the present invention provides an audio frequency data extracting means for extracting frequency data for each unit time from input audio information in an audio information classification device for classifying a voice segment and a music segment from audio information. , using the frequency data for each of the extracted unit time, and silence / voice judging means for the interval to extract only the determined voiced section or silent section or voiced section, with respect to the extracted sound period seeking energy change rate from the ratio of the sum of the energy of the frame adjacent to each unit of time Te, when the magnitude of the energy change rate is larger than a predetermined value, the extracted sound period is determined to be a speech segment The present invention is characterized in that it includes voice section extraction means and music section extraction means for determining whether or not the extracted voiced section is music.
[0006]
According to the present invention, it is possible to classify a voice section and a music section easily and at high speed from either unencoded original audio information or encoded audio information.
[0007]
DETAILED DESCRIPTION OF THE INVENTION
Hereinafter, the present invention will be described in detail with reference to the drawings. FIG. 1 is a block diagram showing the configuration of an embodiment of the present invention, and FIGS. 2 and 3 are flowcharts showing the outline of the operation of the system of FIG. In this embodiment, audio and music are classified using audio encoded data compressed by MPEG1 (ISO / IEC 11172), which is an international standard system for moving image and audio encoding. It is not limited to.
[0008]
Hereinafter, the configuration and operation of the present embodiment will be described with reference to FIGS. 1, 2, and 3. As shown in FIG. 1, compression-encoded audio encoded data a is input to the variable length decoding unit 1. Here, the structure of the compressed encoded audio data will be described with reference to FIG. 4 using MPEG1 as an example. In MPEG1, as shown in the figure, 512 PCM samples P sampled from the original audio signal p are subband-encoded to obtain 32 subband data Pi (n) (n = 0, 1,..., 31). ), And is repeated 36 times while shifting the samples in time, and a total of 1152 subband data is used as encoded data Q for one frame.
[0009]
When the encoded data Q having the structure described above is continuously input to the variable length decoding unit 1, the variable length decoding unit 1 decodes it into subband data of each frame, and a subband data subsampling unit Output to 2. Now, assuming that a certain unit time is 1 second, since the 1 second is composed of 38 frames as shown in FIG. 5a, the variable length decoding unit 1 applies the encoded data for 1 second to the encoded data shown in FIG. As in b, 38 32 × 36 samples are output.
[0010]
In the subband data subsampling unit 2, as shown in FIG. 5c, subband data S _i (n) at the head of each frame i out of subband data for unit time (for example, 1 second). ) (I = 0, 1,..., J−1) are extracted and input to the energy calculation unit 3 and the first memory 4 of each frame in FIG.
[0011]
The above operation is performed in steps S1 to S9 in FIG. In step S1, i representing the frame number is set to 0, and n representing the subband number is set to 0 in step S2. In step S3, the variable length decoding unit 1 performs variable length decoding of the encoded data, and in step S4, the first subband data S _i (n) of the _i- th frame is extracted. Next, in step S5, it is determined whether or not n = 32 is established. If this determination is negative, the process proceeds to step S6, and 1 is added to n. And it returns to step S3 and the process similar to the above is performed. When the processes in steps S3 to S6 are repeated and the determination in step S5 is affirmative, the first subband data S _i (n) of the _i- th frame is extracted.
[0012]
If the determination in step S5 becomes affirmative, the process proceeds to step S7, and 1 is added to i. Next, in step S8, it is determined whether i = j is satisfied. When this determination is negative, the process returns to step S2, and n = 0 is set again, and the above-described processing is continued again. When the above process is repeated and the determination in step S8 is affirmative, the first subband data S _i (n) of i = 0 to (j−1) frames is extracted, and in step S9. These subband data S _i (n) are transferred to the energy calculation unit 3 and the first memory 4 of each frame in FIG.
[0013]
The energy calculation unit 3 of each frame calculates the energy Ei of each frame according to the following equation (1) and inputs it to the average energy calculation unit 5 and the second memory 6.
[0014]
[Expression 1]

When the energy Ei of each frame is calculated, the energy Ei is transferred to the average energy calculation unit 5 and the second memory 6 in step S10. The average energy calculation unit 5 calculates the average energy AE during unit time from the energy of each frame input according to the following equation (2) and inputs it to the first determination unit 7 (step S11).
[0015]
[Expression 2]

The first determination unit 7 determines whether the input voice information for the unit time is silent or sound according to the following equation (3), and determines that the sound is sound when the condition is met. (Step S12). When the sound is present, the average energy AE per unit time is larger than when there is no sound, and therefore the following equation (3) is established.
[0016]
AE> α (3)
Here, α is a predetermined first threshold value.
[0017]
When the first determination unit 7 determines that the input voice information for the unit time is sound, the energy unit time of each frame is read from the second memory 6 and the energy change rate is read. It inputs into the calculating part 8 (step S13 of FIG. 3), calculates the energy change rate C according to following (4) Formula, and inputs into the 2nd determination part 9. FIG. On the other hand, when it is determined that there is no sound, the subsequent voice / music determination process is terminated, and the process returns to step S1. C in the following expression represents the sum in unit time of the ratio of two energies of adjacent frames obtained from the subband data of the MPEG encoded data.
[0018]
[Equation 3]

Looking at the time waveform of speech, the waveform also changes for each word and syllable, and during that time, there are many cases of silence or almost silence for several tens of milliseconds, so the rate of change in spectrum is much higher than that of music with continuous waveforms Become bigger. Therefore, the second determination unit 9 determines whether or not the input voice information of the unit time is a voice section according to the following equation (5). Is output to the speech section holding unit 10 (Yes in step S14, step S15).
[0019]
C> β (5)
Here, β is a second threshold value.
[0020]
On the other hand, if it is determined that it is not a voice section (No in step S14), the first subband data of each frame is read from the first memory 4 and input to the average energy ratio calculation unit 11 (step S16). ).
[0021]
The average band energy ratio calculation unit 11 calculates the average band energy ratio Bmi according to the following equation (6) and inputs it to the third determination unit 12.
[0022]
[Expression 4]

The frequency of voice is generally concentrated in the low frequency band as shown in FIG. 7 (a), while the frequency of music is in the whole band as shown in FIG. 7 (b). There is a tendency to disperse. In other words, while the audio subband data is concentrated in the low frequency band, the music subband data tends to be distributed over the entire band. Therefore, the third determination unit 12 determines whether the input voice information for the unit time is a music section or not according to the following equation (7) (step S17). And the time code e of the section is output to the music section holding unit 13 (step S18).
Bmi <γ (7)
Here, γ is a third threshold value.
[0023]
As described above, according to the present embodiment, the speech section and the music section are distinguished from the compression-encoded audio encoded data, and the time code of each section is stored in the speech section holding unit 10 and the music section holding unit. Each of 13 can be stored.
[0024]
The present invention can also be applied to classification of audio information that is not compression-coded. An embodiment in that case is shown below.
[0025]
In the case of handling audio information that has not been compression-encoded, the variable length decoding unit 1 and the subband data subsampling unit 2 in FIG. In the FFT conversion unit, the original audio information is subjected to FFT conversion as shown in FIG. 6 to extract frequency data for a unit time. Now, assuming that the unit time is 1 second, 2048 samples sampled from the original audio signal p are subjected to FFT conversion and repeated 38 times while shifting the samples in time, so that a total of 2048 × 38 FFT data is obtained. Is frequency data for a unit time.
[0026]
Thereafter, in the energy calculation unit, average energy calculation unit, energy change rate calculation unit, and average band energy ratio calculation unit of each frame, the following equation (8), equation (2), equation (4), and The energy Ei, the average energy AE, the energy change rate C, and the average band energy ratio Bmi of each frame are calculated according to the equation (9), and the first determination unit 7, the second determination unit 9, and the third determination unit are calculated. At 12, silence / sound determination, sound determination, and music determination are performed.
[0027]
[Equation 5]

[0028]
【The invention's effect】
As described above, according to the present invention, there is an effect that audio information can be classified into a voice section and a music section on the encoded data from the compressed and encoded voice data.
[0029]
When the present invention was actually operated, the following results were obtained. That is, using the audio bitstreams of a total of 90 minutes of news programs and music programs encoded in MPEG1 layer 2, the audio sections and music sections are classified every second. The voice section is a section where only the voice is included without music in the background, and the music section is a section where there is a musical instrument performance regardless of the presence or absence of voice. Regarding the detection of the voice section, a detection rate of 89.4% was obtained, and for the music section, a detection rate of 79.3% was obtained. In addition, according to the present invention, it is possible to easily classify audio information that has not been compression-encoded into speech segments and music segments.
[Brief description of the drawings]
FIG. 1 is a block diagram showing a configuration of an audio information classification apparatus according to an embodiment of the present invention.
FIG. 2 is a flowchart for explaining the operation of the control device of FIG. 1;
FIG. 3 is a flowchart for explaining the operation subsequent to FIG. 2;
FIG. 4 is a diagram for explaining the structure of MPEG audio encoded data;
FIG. 5 is a diagram for explaining the operation of a subband data subsampling unit in FIG. 1;
FIG. 6 is a diagram for explaining a method for extracting frequency data of unencoded audio information.
FIG. 7 is a diagram showing a tendency of frequency distribution of voice and music.
[Explanation of symbols]
DESCRIPTION OF SYMBOLS 1 ... Variable length decoding part, 2 ... Subband data subsampling part, 3 ... Energy calculation part of each flame | frame, 4 ... 1st memory, 5 ... Average energy calculation part, 6 ... 2nd memory, 7 ... 1st 8 ... energy change rate calculation unit, 9 ... second determination unit, 10 ... voice interval holding unit, 11 ... average band energy ratio calculation unit, 12 ... third determination unit, 13 ... music interval holding unit .

Claims

In an audio information classification device for classifying a voice segment and a music segment from audio information,
Audio frequency data extraction means for extracting frequency data per unit time from the input audio information;
Using the extracted frequency data for each unit time, it is determined whether the section is a silent section or a voiced section, and a silent / sound determination means for extracting only a voiced section;
When the energy change rate is obtained from the ratio of the sum of the energy of adjacent frames per unit time with respect to the extracted sound interval , and the magnitude of the energy change rate is greater than a predetermined value , the extracted sound interval There a voice segment extracting means for determining that the speech segment,
An audio information classification apparatus comprising: a music section extracting means for determining whether or not the extracted sound section is music.

The audio information classification device according to claim 1,
The frequency data per unit time extracted by the audio frequency data extraction means is subband data at the head of each frame of MPEG encoded data for unit time when the input audio information is MPEG encoded data. An audio information classification device characterized by the above.

The audio information classification device according to claim 1,
The silence / sound determination means obtains an average energy per unit time using the frequency data for the unit time extracted by the audio frequency data extraction means, and determines a silence / sound section based on the magnitude of the average energy. An audio information classification apparatus characterized by:

The audio information classification device according to claim 3,
When the input audio information is MPEG encoded data, the silence / speech determining means determines that the average energy per unit time is the sum of energy obtained from the subband data of each frame of the MPEG encoded data in the unit time. An audio information classification device characterized by the above.

The audio information classification device according to claim 1,
When the input audio information is MPEG encoded data, the speech interval extracting means calculates the energy change rate in the unit time of the ratio of two energies of adjacent frames obtained from the subband data of the MPEG encoded data. An audio information classification device characterized by being a sum.

The audio information classification device according to claim 1,
An audio information classification device, wherein the music section extraction means obtains an average band energy ratio from frequency data per unit time extracted by the audio frequency data extraction means, and extracts a music section from the average band energy ratio .

The audio information classification device according to claim 6,
In the music section extraction means, when the input audio information is MPEG encoded data, the average band energy ratio is the ratio of the subband data in the low frequency band to the total data of the subband data of the MPEG encoded data. An audio information classification apparatus characterized by the above.

In an audio information classification device for classifying a voice segment and a music segment from audio information,
When the input audio information is uncompressed audio data, means for dividing the audio information of unit time into a plurality of sections partially overlapping;
Means for generating frequency data for audio information of each section;
Silence / sound determination means for determining whether the section is a silent section or a voiced section using the generated frequency data, and extracting only the voiced section;
When the energy change rate is obtained from the ratio of the total energy of adjacent frames per unit time with respect to the extracted sound interval, and the magnitude of the energy change rate is greater than a predetermined value, the extracted sound interval Voice segment extraction means for determining that is a voice segment;
An audio information classification apparatus comprising: a music section extracting means for determining whether or not the extracted sound section is music.

The audio information classification apparatus according to claim 8,
The silence / sound determination unit obtains an average energy per unit time using the frequency data, and determines a silence / sound section based on the magnitude of the average energy.

The audio information classification apparatus according to claim 8,
The voice section extraction unit obtains an energy change rate from a plurality of frequency data per unit time extracted by the audio frequency data extraction unit, and extracts a voice section according to the magnitude of the energy change rate. Audio information classification device.

The audio information classification apparatus according to claim 8,
An audio information classification device, wherein the music section extraction means obtains an average band energy ratio from frequency data per unit time extracted by the audio frequency data extraction means, and extracts a music section from the average band energy ratio .