JP5006279B2

JP5006279B2 - 音声活性検出装置及び移動局並びに音声活性検出方法

Info

Publication number: JP5006279B2
Application number: JP2008184572A
Authority: JP
Inventors: ベヘタロアンチ; ヘッキネンユハ; パーヤネンエルッキ
Original assignee: Nokia Oyj
Current assignee: Nokia Oyj
Priority date: 1995-12-12
Filing date: 2008-07-16
Publication date: 2012-08-22
Anticipated expiration: 2016-12-12
Also published as: DE69630580T2; US5839101A; JP4163267B2; JP2007179073A; JPH09212195A; EP0784311B1; DE69614989T2; AU1067797A; WO1997022116A2; EP0790599B1; WO1997022117A1; US5963901A; AU1067897A; FI955947A0; WO1997022116A3; JP2008293038A; EP0790599A1; EP0784311A1; JPH09204196A; FI955947A

Description

本発明は入力信号中の音声活性を検出し、その検出結果に基づいて音声活性判定を行うための手段をそなえる音声活性検出装置に関する。本発明は、音声活性を検出する方法と、音声活性検出手段を含む通信装置とにも関する。

音声活性検出器（Voice Activity Detector (VAD))は、入力が音声又は暗騒音を含むか否か判定する。ＶＡＤの典型的なアプリケーションは無線通信システムにあり、無線通信システムでは、音声が検出されないときには送信が禁止される不連続送信システムを制御するために音声活性検出方法を利用することができる。例えばエコー消去及び雑音消去のためにもＶＡＤを使用することができる。

音声活性検出のための種々の方法が従来公知である。主な問題は、騒々しい環境で暗騒音から音声を確実に検出することである。特許公報ＵＳ５、４５９、８１４は、音声信号について平均信号レベルとゼロ点交差とを計算する音声活性検出方法を開示している。この手法は、計算に関しては単純な方法であるけれども、検出結果の信頼性が余り良くはないという問題点を有する。特許公報ＷＯ９５／０８１７０及びＵＳ５、２７６、７６５は、音声信号と雑音推定値とのスペクトル差をＬＰＣ（Liner Prediction Coding （線形予測符号化））パラメータを用いて計算する音声活性検出方法を開示している。これらの公報は雑音推定値の更新を制御する補助ＶＡＤ検出器を提示している。上記の全ての公報に示されるＶＡＤ方法は、音声のパワーが雑音のパワーと比べて小さいときに確実に音声を検出しなければならないという問題がある。

本発明は、入力音声信号を、特定の周波数帯域を表すサブ信号に分割し、該サブ信号において音声活性を検出する音声活性検出装置に関する。該サブ信号の検出に基づいて、副判定信号が生成され、入力音声信号についての音声活性判定が該副判定信号に基づいて形成される。本発明では、入力音声信号の各スペクトル成分と雑音推定値とが計算されて比較される。より具体的に言えば、信号対雑音比が各サブ信号について計算され、各信号対雑音比が副判定信号を表す。その信号対雑音比から、それらの合計に比例する値が計算されて閾値と比較され、入力音声信号についての音声活性判定信号がその比較に基づいて形成される。

各サブ信号について信号対雑音比を得るために、各サブ周波数帯域について（即ち各サブ信号について）雑音推定値が計算される。このことは、雑音をより精密に推定でき、その雑音推定値を各サブ周波数帯域について別々に更新することもできることを意味する。雑音推定値の精度が向上することによって音声活性検出の判定がより精密かつ信頼性のあるものとなる。音声活性検出装置の音声／雑音・判定を用いて暗騒音推定値の更新を制御することにより、雑音推定値の精度も向上する。

本発明の音声活性検出装置及び通信装置は、前記入力信号を特定の周波数帯域を表すサブ信号に分割するための手段と、該サブ信号中の雑音を推定するための手段と、該サブ信号中の雑音に基づいて副判定信号を計算するための手段と、該副判定信号に基づいて該入力信号について音声活性判定を行うための手段とを有することを特徴とする。

本発明の方法は、前記入力信号を特定の周波数帯域を表すサブ信号に分割し、該サブ信号中の雑音を推定し、該サブ信号中の雑音に基づいて副判定信号を計算し、該副判定信号に基づいて該入力信号について音声活性判定を行う各ステップを有することを特徴とする。

次に、添付図面を参照して本発明を詳しく説明する。

図１は、本発明の音声活性検出（Voice activity detection（ＶＡＤ））装置４の使用状況を簡単に示す。以下の記述において提示されるパラメータの値は、例示の値であって本発明の１実施例を記載するものであり、それらの値は本発明の方法の機能を特定のパラメータの値のみに限定するものではない。図１を参照すると、マイクロホン１から到来する信号はＡ／Ｄ変換器２でサンプリングされる。例示的な値として、Ａ／Ｄ変換器２のサンプリング速度は８０００Ｈｚ、音声コーデック３のフレーム長は８０サンプル、各音声フレームは１０ｍｓの音声から成るものとする。該ＶＡＤ装置４は音声コーデック３と同じ入力フレーム長を用いることができ、或いはその長さは音声コーデックが用いるフレーム長の均等商（even quotient)であることができる。符号化された音声信号は、更に送信部において例えば不連続送信ハンドラー５に供給され、これは、該ＶＡＤ４から受け取った判定Ｖｉｎｄに従って送信を制御する。

本発明の音声活性検出装置の１実施例が図２により詳しく示されている。マイクロホン１から来る音声信号はＡ／Ｄ変換器２でサンプリングされてデジタル信号 x(n) となる。図２のＶＡＤ装置への入力フレームは、デジタル信号 x(n) から各サンプルを取り出すことにより形成される。このフレームはブロック６に供給され、ここで所定の帯域のパワーを表すパワースペクトル成分が計算される。ＦＦＴ、フィルター群を使って、又は線形予測係数を使って、入力フレームの振幅又はパワースペクトルに比例する各成分を計算することができる。このことについて後に詳しく説明する。該ＶＡＤが線形予測係数を計算する音声コーデックと共に作動する場合には、それらの係数をその音声コーデックから受け取ることができる。

各パワースペクトル成分 P(f) は、始めに図３に示されているように高速フーリエ変換（ＦＦＴ）を用いて入力フレームから計算される。実施例では、ＦＦＴ計算の長さが１２８であることが仮定されている。また、パワースペクトル成分 P(f) は再結合されて計算スペクトル成分 S(s) とされ、スペクトル成分の数が６５から８まで減少する。

図３を参照すると、音声フレームは窓掛けブロック１０に入力され、ここで音声フレームに所定の窓が乗算される。窓掛けの目的は、一般に信号のスペクトル推定の質を高め、信号を時間領域の各フレームに分割することである。この実施例で使われる窓掛けでは、窓同士が部分的に重複するので、重複する各サンプルが次のフレームのためにメモリ（ブロック１５）に記憶される。信号から８０個のサンプルが取られ、それらのサンプルは、前のフレームの際に記憶された１６個のサンプルと組み合わされて、合計で９６個のサンプルとなる。また、最後に収集された８０個のサンプルの中から、その中の最後の１６個のサンプルが次のフレームを計算するときに使われるべく記憶される。

この様にして与えられた９６個のサンプルに、窓掛けブロック１０において９６個のサンプル値から成る窓が乗算される。図７に示されているように、窓の始めの８個の値は窓の立ち上がり部 IU を形成し、終わりの８個の値は窓の立ち下がり部 ID を形成する。窓 I(n) を次のように定義することができ、そしてブロック１１（図６）において実施される：

窓掛け（ブロック１１）をデジタル的に実施することはデジタル信号処理として当業者には従来から知られていることである。この窓掛けでは、中央の８０個の値（n = 8,..,87 即ち中央の部分 IM ）は１に等しいので、それらを乗算しても結果は変わらないから乗算を省略することができる。従って窓の始めの８個のサンプルと終わりの８個のサンプルとを乗算するだけでよい。ＦＦＴの長さは２の累乗でなければならないので、ブロック１２（図６）においてブロック１１から得られた９６個のサンプルの終わりに３２個の「０」が付加され、１２８個のサンプルから成る音声フレームとなる。サンプル列の終わりにサンプルを付加することは単純な操作であって、ブロック１２をデジタル的に実現することは当業者の技術の範囲内のことである。

窓掛け用ブロック１０で窓掛けが実行された後、ブロック２０で高速フーリエ変換ＦＦＴを用いて音声フレームのスペクトルが計算される。ＦＦＴブロック２０に到達したフレームの中のサンプル x(0), x(1),.., x(n); n = 127 （即ち前記の１２８個のサンプル）は実（real) ＦＦＴ（高速フーリエ変換）により周波数領域へ変換されて周波数領域サンプル X(0), X(1),.., X(f); f = 64（より一般的には f=(n+1)/2）となり、その各サンプルは実数成分 Xｒ(f) と虚数成分 Xｉ(f) とから成る：

高速フーリエ変換をデジタル的に実現することは当業者にとっては従来公知のことである。ＦＦＴから得られた実数成分及び虚数成分は平方ブロック（squaring block) ５０において二乗されて対をなして加え合わされ、その出力は音声フレームのパワースペクトルである。ＦＦＴの長さが１２８であるならば、得られるパワースペクトル成分の数は６５であり、これはＦＦＴ変換の長さを２で割り、その結果を１だけ大きくする（インクリメントする）ことにより得られる、即ち（ＦＦＴの長さ／２）＋１である。従って、パワースペクトルは、実数成分及び虚数成分の２乗の和を成分毎に計算することにより平方ブロック５０から得られる：

平方ブロック５０の機能は、図８に示されているように、実数成分及び虚数成分を平方ブロック（squaring blocks)５１及び５２（これらは、デジタル的に実行されるものとして従来公知の単純な数学的平方の計算を実行する）に入力し、その平方された各成分を総和ユニット（summing unit) ５３で合計することにより実現されることができる。この様にして、平方ブロック５０の出力として、パワースペクトル成分 P(0), P(1),.., P(f); f = 64が得られ、これらのパワースペクトル成分は、次に述べるように時間領域信号の種々の周波数での成分の各パワーに対応する（８ｋＨｚのサンプリング速度が使用されるものとする）：
f = 0,...,64の値についての P(f) は中間周波数（f ・4000/64 Hz) に対応する。
(4)

この後、ブロック６０で８個の新しいパワースペクトル成分、即ちパワースペクトル成分結合 S(s), s = 0,..,7 が形成され、それらは本明細書では計算スペクトル成分と呼ばれる。計算スペクトル成分 S(s) は、次のように常に各計算スペクトル成分 S(s) について隣り合う７個のパワースペクトル成分 P(f) の合計を計算することにより形成される：

図９に示されているように、カウンタ６１と総和ユニット６２とを使って、カウンタ６１に常に７まで数え上げさせ、カウンタに制御させて総和ユニット６２に常に７個の連続する成分の合計を計算させて出力として総和（sum)を出させることにより、これを実現することができる。この場合、最低位の結合成分 S(0) は中間周波数 [62.5 Hz 〜 437.5 Hz]に対応し、最高位の結合成分 S(7) は中間周波数 [3125 Hz 〜 3500 Hz] に対応する。これより低い周波数（62.5 Hz より下）や、これより高い周波数（3500 Hz より上）は、音声については重要でなくて、無視することができる。

図３の手法を使う代わりに、図４に示されている様にフィルタ列を用いて入力フレームからパワースペクトル成分 P(f) を計算することもできる。このフィルタ列は、問題の周波数帯域をカバーする帯域フィルタ Hj (z), j = 0,...,7から成る。該フィルタ列は、均一な帯域幅フィルタであってもよいが、可変帯域幅フィルタからなっていてもよい。効率を改善するために、通常は該フィルタ列の出力は複数のうちから１個選択される（decimated)。フィルタ列のデザイン及びデジタル実施形態は当業者には従来公知の事項である。各帯域 jの副帯域(sub−band) サンプル zj (i) は、フィルタ Hj (z) を用いて入力信号 x(n) から計算される。各帯域の信号パワーを次のように計算することができる：

ここで Lは１入力フレーム内の副帯域中のサンプルの個数である。

ＶＡＤを音声コーデックと共に用いるときには、デジタル移動電話システムで使われる殆どの音声コーデックにより計算される線形予測係数（Linear Prediction Coefficients (LPC)) を使って計算スペクトル成分 S(s) を計算することができる。その様な構成が図５に示されている。ＬＰＣ係数は線形予測（linear prediction)と呼ばれる手法により音声コーデック３で計算され、そこに線形フィルターが形成される。該フィルターのＬＰＣ係数は直接順序係数 d(i) （direct order coefficients)であり、これを自己相関係数（autocorrelation coefficients) ＡＣＦ（ｋ）から計算することができる。後述するように、直接順序係数 d(i) を使って計算スペクトル成分 S(s) を計算することができる。入力フレームサンプル x(n) から計算することのできる自己相関係数ＡＣＦ（ｋ）を使ってＬＰＣ係数を計算することができる。もしＬＰＣ係数又はＡＣＦ（ｋ）係数を音声コーデックから得ることができないならば、それらを入力フレームから計算することができる。

自己相関係数ＡＣＦ（ｋ）は音声コーデック３で次のように計算される：

ここで、
N は入力フレーム中のサンプルの個数、
M はＬＰＣ次数（order)（例えば８）、
x(i)は入力フレーム中のサンプルである。

短周期分析フィルタ（short term analysis filter) のインパルス応答を表すＬＰＣ係数 d(i) を、例えばシュール巡回アルゴリズム（the Schur recursion algorithm)やレビンソン・ダービンのアルゴリズム（the Levinson-Durbin algorithm)などの従来公知の方法により自己相関係数ＡＣＦ（ｋ）から計算することができる。

図５に示されているブロック８において高速フーリエ変換（ＦＦＴ）を使って下記の式に従ってＬＰＣの値から所望の周波数での振幅が計算される：

ここで、
K は定数、例えば８０００、であり、
k はパワーが計算される周波数に対応し（即ち、A(k)は周波数 k/K・fsに対応し、ここで
fs はサンプル周波数である）、また、
M は短周期分析の次数（order)である。

所望の周波数帯域の振幅を次のようにして推定することができる：

ここで、
k1は周波数帯域のスタート指標（start index)であり、k2は周波数帯域のエンド指標（end index)である。

各係数 C(k1,k2,i) を前もって計算しておき、それらをメモリ（図示せず）に記憶させておくことにより、必要な計算ロードを少なくすることができる。それらの係数を次のように計算することができる：

振幅 A(k1,k2) の平方の逆数を取り、更に ACF(0) と掛け合わせることにより、計算スペクトル成分 S(s) での信号パワーの近似値を計算することができる。この逆数を取る計算が必要なのは、線形予測係数が入力信号の反転スペクトル（inverse spectrum）を表すからである。ACF(0)は、信号のパワーを表し、式７で計算される。

ここで各計算スペクトル成分 S(s) は、帯域の両端（band limits)を定義する特定の定数 k1 及び k2 を用いて計算される。以上、パワー（計算）スペクトル成分 S(s) を計算する種々の方法を説明した。

更に図２において、音声活性検出装置が音声を検出しないときに推定ブロック８０（図１１により詳しく示されている）で雑音のスペクトル N(s), s = 0,..,7 が推定される。推定はブロック８０においてブロック６から入力された信号の各スペクトル成分 S(s), s = 0,..,7 について時間平均された平均値を巡回的に計算することにより実行される：

この文脈で、Ｎn-1(s)は図１１に示されているようにメモリ８３から得られる前のフレームについて計算された雑音スペクトル推定値を意味し、Ｎn (s) は上の式による現在のフレーム（n = フレーム順序番号）についての推定値を意味する。この計算はブロック８１で好ましくはデジタル的に実行される。このブロックへの入力は、ブロック６からのスペクトル成分 S(s) と、メモリ８３から得られる前のフレームについての推定値Ｎn-1(s)と、ブロック８２で計算される時定数変数λ(s) の値とである。入力スペクトル成分が雑音推定値Ｎn-1(s)成分より低い S(s) であるときに、より速い時定数を使って更新を行うことができる。変数λ(s) の値は次の表（λ(s) の代表的な値）に従って決定される：

値Ｖind 及びSTcount については後に詳しく説明する。

以下の記述においては記号 N(s) は、現在のフレームについて計算された雑音スペクトル推定用に用いられる。上記の推定による計算は好ましくはデジタル的に実行される。上記の式に従ってデジタル的に乗算、加算及び減算を行うことは当業者に周知されていることである。

更に図２において計算ブロック９０で入力スペクトル S(s) 及び雑音スペクトル N(s) から比 SNR(s), s = 0,..,7 が成分毎に計算され、この比は信号対雑音比と呼ばれる：

信号対雑音比 SNR(s) は、計算スペクトル成分の各周波数帯域についての一種の音声活性判定を表す。信号対雑音比 SNR(s) から、その周波数帯域信号が音声又は雑音を含むか否か判定することができ、従ってこれは音声活性（voice activity) を表す。計算ブロック９０も好ましくはデジタル的に実現され、上記の割り算を実行する。割り算をデジタル的に実行する方法自体は当業者に従来から知られている。

図２において相対雑音レベルが計算ブロック７０で計算される。このブロックは図１０に詳しく示されており、ここでパワースペクトル推定値 S(s), s = 0,..,7 を用いて音声についての時間平均された平均値（ロ）が計算される。音声が検出されたとき、時間平均された平均値（ロ）は更新される。始めに現在のフレームでのパワースペクトル成分の平均値（ハ）がブロック７１で計算され、このブロック７１に次のようにブロック６０からスペクトル成分 S(s) が入力として与えられる：

ブロック７２で、時間平均された平均値（ロ）は、前のフレームの時に計算された時間平均された平均値が記憶されているメモリ７８から得られる前のフレームについての時間平均された平均値（ニ）と、ブロック７１から得られる計算スペクトル平均値（ハ）と、前もってメモリ７９ａに記憶されている時定数αとに基づいて（例えば巡回的に）計算されることにより得られる：

ここで nはフレームの順序番号であり、αは前記の時定数であり、その値は 0.0〜 1.0であり、通常は 0.9〜 1.0である。時間平均された平均値に非常に弱い音声（例えば文の終わりで）を含ませないために、現在のフレームについての各スペクトル成分の平均値が時間平均された平均値に依存する閾値を上回る場合に限ってそれは更新される。この閾値は通常は時間平均された平均値の１／４である。前の２つの式の計算は好ましくはデジタル的に実行される。

同様に、雑音パワーの時間平均された平均値（ホ）は、雑音のパワースペクトル推定値 N(s), s = 0,..,7 及び次の式に従ってそれから計算される成分平均値（ヘ）を用いて計算ブロック７３から得られる：

ここでβは時定数であり、その値は 0.0〜 1.0であり、通常は 0.9と 1.0との間である。雑音パワーの時間平均された平均値は各フレームにおいて更新される。雑音スペクトル成分の平均値（へ）は、スペクトル成分 N(s) に基づいて、ブロック７６で次のようにして計算される：

そして前のフレームの時にメモリ７４に記憶された前のフレームについての雑音パワーの時間平均された平均値（ト）がメモリ７４から得られる。相対雑音レベルηは、雑音及び音声の時間平均された各平均値のスケーリングされ（scaled) 且つ最大値を限定された商（maximum limited quotient) としてブロック７５で計算される：

ここでκは前もってメモリ７７に記憶されているスケーリング定数（scaling constant) であり（代表的な値は 4.0）、 max＿ηはメモリ７９ｂに記憶されている相対雑音レベルの最大値（代表的な値は 1.0）である。

図２の装置でＶＡＤ判定を生成するために、ＶＡＤ判定ブロック１１０で信号対雑音比 SNR(s) を利用して入力信号と雑音モデルとの間の距離ＤSNR が計算され、それはデジタル計算により次の式を実現する：

ここで s＿l 及び s＿h は、含まれている最低周波数成分及び最高周波数成分の指標値（index values) であり、υs は成分重み付け係数であり、これらは予め決められて前もってメモリに記憶され、そこからそれらは計算のために検索される。通常は、全ての信号対雑音推定値成分が使われ(s l = 0及び s＿h= 7) であり、それらに等しい重みが付けられる：υs = 1.0/8.0; s = 0,.., 7 。

次に、図１２を参照してＶＡＤ判定ブロック１１０の実施例を詳しく解説する。音声活性検出器における総和ユニット（summing unit) １１１は、種々の周波数帯域から得られる信号対雑音比 SNR(s) の値を合計し、それにより、入力信号と雑音モデルとの間のスペクトル距離を表すパラメータＤSNR が上記の式（１９）に従って得られ、総和ユニット１１１からの値ＤSNR は比較ユニット１１２で所定の閾値 vthと比較される。閾値 vthの方が小さければ、そのフレームは音声を含むと見なされる。信号対雑音比が良好であると期待することのできる周波数に一層大きな重みが付けられるように、合計の計算（summing)に重み付けを行うこともできる。音声活性検出器の出力及び判定を変数Ｖind で表すことができ、その値について下記の条件が得られる：

該ＶＡＤは背景（background）スペクトル推定値 N(s) の更新を制御し、後者はそれに代わって上記したように音声活性検出器の機能に影響を及ぼすので、もし背景雑音（暗騒音）レベルが急に増大すると雑音及び音声の両方が音声と指摘される可能性がある（Ｖind = 1）。このことは、更に背景スペクトル推定値 N(s) の更新が禁止されることになる。それを防止するために、その間は連続するフレームが音声を含んでいないと見なされる時間（フレームの個数）が監視される。安定していて、有声と指摘されない連続するフレームは音声を含んでいないものとされる。

図２のブロック７で、ピッチ分析（pitch analysis）とも呼ばれる長周期予測（Long Term Prediction (LTP)) 分析が計算される。有声検出は長周期予測パラメータを用いて行われる。長周期予測パラメータは、遅れ（即ちピッチ周期）と長周期予測利得（long term predictor gain) とである。これらのパラメータは殆どの音声コーデック（符号器を含む）で計算される。よって音声コーデックの他に音声活性検出器を使用するならば（図５に記載されているように）、それらのパラメータを音声コーデックから得ることができる。

フレーム長 Nに等しいサンプルの量 Mから長周期予測分析を計算することができ、或いは入力フレーム長をサブフレームに分割し（例えば４サブフレーム、4 ・M = N ）、長周期パラメータを各サブフレームから別々に計算することもできる。入力フレームのこれらのサブフレームへの分割はＬＴＰ分析ブロック７（図２）で行われる。該サブフレーム・サンプルは xs(i)で表される。

従って、ブロック７では始めに各サブフレーム・サンプル xs(i)から自己相関 R(l) が計算される：

ここで
l = Lmin,..., Lmax (例えば Lmin = 40、Lmax = 160）
である。

上記の計算のために、旧サブフレームから最後の Lmax 個のサンプルを保存しておかなければならない。

次に該 R(l) からRmax = max(R(l))となるような最大値 Rmax を探す。ここで l = 40,..., 160である。

長周期予測（long term predictor)の遅れ LTP＿lag(j)は、Rmaxに対応する指標（index) lである。変数 jはサブフレームの指標（index)を表す（j = 0...3 ）。

LTP＿gainを次のように計算することができる：
LTP＿gain(j) = Rmax/Rtot
ここで

サブフレームの長周期予測の遅れ利得(LTP＿gain(j) ）を合計することによってフレームの長周期予測の遅れ利得(LTP＿gain＿sum ）を表すパラメータを計算することができる：

もし LTP＿gain＿sum が一定の閾値 thr＿lag より大きければ、そのフレームは有声であるとされる：

更に図２においてブロック１００で次のように平均雑音スペクトル推定値 NA(s)が計算される：

ここで aは 0 < a < 1の値（例えば 0.9）の時定数である。

平均雑音スペクトル推定値 NA(s)とスペクトル推定値 S(s) との間のスペクトル距離 Dもブロック１００で次のように計算される：

Low＿Limit は小さな定数で、いくつかの周波数帯域での雑音スペクトル又は信号スペクトルが低いときに割り算の結果を小さく保つために使われる。

もしスペクトル距離 Dが所定の閾値 Dlim より大きければ、定常度カウンタ stat＿cnt は 0にセットされる。もしスペクトル距離 Dが閾値 Dlim より小さくて、信号が有声とは検出されなければ（voiced = 0）、定常度カウンタの値が増やされる（インクリメントされる）。定常度カウンタについて下記の条件が受け入れられる：

ブロック１００は出力stat＿cnt を与え、これは次の条件に合致するようにＶind の値が 0になると、 0にリセットされる：

もしこの連続するフレームの個数が所定の閾値 max＿spf （その値は例えば５０である）より大きければ、STcount の値は１にセットされる。これによりカウンタ値stat＿cnt との関連で出力STcount に関して下記の条件が与えられる：

また、本発明では、背景スペクトル推定値 N(s) の精度は、相対雑音レベルη（これはブロック７０で計算される）を利用して音声活性検出器の前記閾値 vthを調整することにより改善される。信号対雑音比が非常に良好である（或いは相対雑音レベルηが低い）ような環境では、相対雑音レベルηに基づいて閾値 vthの値が大きくされる。これにより、背景雑音（暗騒音）の急激な変化を音声と解釈することが少なくなる。閾値 vthの適応化は下記の式に従ってブロック１１３で実行される：

ここで vth＿fix1、 vth＿min1、及び vth＿slope1は正の定数であり、それらの代表的な値は例えば次の通りである： vth＿fix1 = 2.5;vth＿min1 = 2.0;vth＿slope1 = 8.0。

雑音レベルの高い環境では、音声を雑音として検出する確率を低くするために閾値が低くされる。そのとき、閾値 vth を低くするために次のように雑音スペクトル成分の平均値（チ）が使われる：

ここで vth＿fix2及び vth＿slope2は正の定数である。よって、もし雑音スペクトル成分の平均値（チ）が充分に大きければ、閾値 vth2 は閾値 vth1 より小さい。

音声バースト時に閾値 vth2 が更に小さくされるようにして本発明の音声活性検出器を改善することもできる。これにより、音声がゆっくりと静かになってゆくときに音声の終わりが雑音と解される可能性が無くなるので、動作が改善する。この付加的な閾値適応化を下記のようにように（ブロック１１３で）実施することができる。

始めに、次の条件に従ってＤSNR を所望の最大値（代表的には５）及び最小値（代表的には２）の間に限定する：

その後、閾値適応化係数 ta0を次のように計算する：

ここでthmin 及びthmax はそれぞれ最小スケーラ値（the minimum scaler value) （代表的には 0.5）及び最大スケーラ値（the maximum scaler value）（代表的には１）である。

フレーム nについての実際のスケーラ ta(n)は、値を増減するために種々の時定数を有するフィルターで ta0を平滑化することにより計算される。この平滑化を下記の式に従って実行することができる：

ここで、λ0 及びλ1 はアタック時定数（増加期間（increase period)；代表的な値は 0.9）及びリリース時定数（減少期間（decrease period)；代表的な値は 0.5）である。最後に、スケーラ ta(n)を用いて、新しいＶＡＤ閾値 vthを得るために閾値 vthをスケーリングすることができ、これにより次のようになる：

音声活性検出器においてしばしば起こる問題は、音声のちょうど始まりの時には音声が直ぐには検出されず、また音声の終わりも正しく検出されないということである。そのために暗騒音推定値 N(s) が誤った値となり、そのために音声活性検出器の後の結果に影響が及ぶことになる。遅延を用いて暗騒音推定値を更新することにより、この問題を無くすることができる。この場合、暗騒音推定値 N(s) を更新する前に最後のフレームの或る数 N（例えば N = 2）のパワースペクトル（ここでは計算スペクトル）S1(s),..., SN (s) が記憶される（例えば、図１１には示されていない、ブロック８０の入力に設けられるバッファに）。もし最後の２倍の量のフレームの間に（即ち 2・N 個のフレームの間に）音声活性検出器が音声を検出していなければ暗騒音推定値 N(s) はメモリの中の最も古いパワースペクトル S1(s)で更新され、その他の場合には更新は行われない。これにより、更新時に使用されるフレームの前後の N個のフレームが雑音であったことが保証される。

本発明の方法及び音声活性検出装置は移動局や移動通信システム（例えば基地局の）などの通信装置に用いるのに特に適しており、この方法及び装置は特定のアーキテクチャ（ＴＤＭＡ、ＣＤＭＡ、デジタル／アナログ）に限定されない。図１３は本発明の移動局を示しており、これに本発明の音声活性検出方法が採用されている。マイクロホン１から出る送信されるべき音声信号はＡ／Ｄ変換器２でサンプリングされ、音声コーデック３で音声符号化され、その後に基本周波数信号処理（例えばチャネル符号化、インタリーブなど）、混合及び無線周波数への変調及び送信がブロックＴＸで行われる。音声活性検出器４（ＶＡＤ）を使って、該ＶＡＤの出力Ｖind に従ってブロックＴＸを制御することにより不連続送信を制御することができる。移動局がエコー及び／又は雑音消去装置（キャンセラ）ＥＮＣを含んでいるならば、本発明のＶＡＤ４をブロックＥＮＣを制御するためにも使うことができる。ブロックＴＸから信号は複式フィルターＤＰＬＸ及びアンテナＡＮＴを通して送信される。受信された音声に対して受信部ＲＸの公知の動作が受信時に行われて、その音声はスピーカー９を通して再生される。ＶＡＤ４を使って受信部ＲＸの如何なる動作も、例えばエコー消去と関連して、制御することができる。

本発明の方法及び装置の実施例を本明細書に開示した。本発明は、ここに開示した実施例の細目に限定されるものではなく、本発明の範囲から逸脱せずに他の形で本発明を実施し得ることは当業者には明かである。ここに開示した実施例は単なる例に過ぎず、発明を限定するものではないと解されるべきである。従って本発明を実施し使用する可能性は特許請求の範囲の請求項のみにより限定される。各請求項により定義される発明を実施するための、均等実施態様を含む種々の選択肢が本発明の範囲に含まれる。

本発明の音声活性検出装置（ＶＡＤ）の使用状況を示すブロック図である。本発明のＶＡＤの実施態様を示すブロック図である。図２のパワースペクトル計算ブロックの実施態様を示す図である。パワースペクトル計算ブロックの別の実施態様を示す図である。本発明の装置の別の実施例のブロック図である。窓掛けブロックの実施態様を示すブロック図である。本発明による窓掛けの際の連続する音声信号フレームを示す図である。平方ブロックの実施態様を示す図である。スペクトル再結合ブロックの実施態様を示す図である。相対雑音レベルを計算するためのブロックの実施態様を示す図である。暗騒音モデルを計算するための構成を示す図である。ＶＡＤ判定ブロックの実施態様を示すブロック図である。本発明の移動局を示す図である。

符号の説明

３音声コーデック
４音声活性検出装置（ＶＡＤ）
５０平方ブロック
７０計算ブロック
８０推定ブロック
９０計算ブロック
１１０ＶＡＤ判定ブロック

Claims

入力信号(x(n))中の音声活性を検出するための手段と、
その検出に基づいて音声活性判定（Ｖ_ind ）を行うための手段とを有する音声活性検出装置において、
前記入力信号（x(n)）を特定の周波数帯域を表すサブ信号（S(s)）に分割するための手段（６）と、
該サブ信号中の雑音（N(s)）を推定するための手段（８０）と、
前記の推定された雑音（N(s)）の平均レベル（イ）を計算するための手段（７０）と、
該サブ信号中の雑音に基づいて各サブ信号についての信号対雑音比（SNR)を計算し、前記信号対雑音比を副判定信号（SNR(s)）として供給するための手段（９０）と、
該副判定信号に基づいて該入力信号について音声活性判定（Ｖ_ind ）を行うための手段（１１０）とをそなえ、
ここに前記の入力信号について音声活性判定（Ｖ_ind ）を行うための手段（１１０）は、
異なる周波数帯域から得られた前記の信号対雑音比（SNR(s)）の線形和を求めることによって値（Ｄ_SNR ）を生成するための手段（１１１）と、
前記の値（Ｄ_SNR ) を閾値（vth)と比較し、前記の比較に基づいて音声活性判定信号（Ｖ_ind ）を出力するための手段（１１２）とを有し、ここに前記閾値（vth）は前記の推定された雑音の平均レベル（イ）により調整され、前記の推定された雑音は、前記の入力信号の定常度によって更新されることを特徴とし、
長周期予測分析を計算し、長周期予測利得(LTP＿gain＿sum)を含む長周期予測パラメータを生成するための手段（７）と、
前記長周期予測利得を閾値(thr＿lag)と比較するための手段（７）と、
前記比較に基づいて有声検出判定を生成するための手段（７）とを有し、前記手段（７）において生成された有声検出判定が前記手段（８０）において推定される雑音推定値の更新を制御する、音声活性検出装置。
入力信号に含まれている音声成分の平均レベル（ロ）を決定するための手段（７０）と、雑音成分及び音声成分の平均レベル（ハ）に基づいて前記閾値（vth)を調整するための手段（１１３）とを有する、請求項１に記載の音声活性検出装置。
過去の信号対雑音比（SNR(s)）に基づいて前記閾値（vth)を調整するための手段（１１３）を有する、請求項１に記載の音声活性検出装置。
前記音声活性検出装置は、推定された雑音の値（N(s)）を記憶するための手段（８０）を有し、前記雑音（N(s)）は過去のサブ信号（S(s)）で更新される、請求項１に記載の音声活性検出装置。
入力信号（x(n)）に基づいて線形予測係数を計算するための手段（３）と、前記線形予測係数に基づいて前記サブ信号（S(s)）を計算するための手段（８）とを有する、請求項１に記載の音声活性検出装置。
音声メッセージ（x(n)）中の音声活性を検出するための手段と、
その検出に基づいて音声活性判定（Ｖ_ind ）を行うための手段とを有する、音声メッセージを送受信するための移動局において、
前記音声メッセージ（x(n)）を特定の周波数帯域を表すサブ信号（S(s)）に分割するための手段（６）と、
該サブ信号中の雑音（N(s)）を推定するための手段（８０）と、
前記の推定された雑音（N(s)）の平均レベル（ニ）を計算するための手段（７０）と、
該サブ信号中の雑音に基づいて各サブ信号についての信号対雑音比（SNR)を計算し、前記信号対雑音比を副判定信号（SNR(s)）として供給するための手段（９０）と、
該副判定信号に基づいて該入力信号について音声活性判定（Ｖ_ind ）を行うための手段（１１０）とをそなえ、
ここに前記の入力信号について音声活性判定（Ｖ_ind ）を行うための手段（１１０）は、
異なる周波数帯域から得られた前記の信号対雑音比（SNR(s)）の線形和を求めることによって値（Ｄ_SNR ）を生成するための手段（１１１）と、
前記の値（Ｄ_SNR ) を閾値（vth)と比較し、前記の比較に基づいて音声活性判定信号（Ｖ_ind ）を出力するための手段（１１２）とを有し、ここに前記閾値（vth）は前記の推定された雑音の平均レベル（ニ）により調整され、前記の推定された雑音は、前記の入力信号の定常度によって更新されることを特徴とし、
長周期予測分析を計算し、長周期予測利得(LTP＿gain＿sum)を含む長周期予測パラメータを生成するための手段（７）と、
前記長周期予測利得を閾値(thr＿lag)と比較するための手段（７）と、
前記比較に基づいて有声検出判定を生成するための手段（７）とを有し、前記手段（７）において生成された有声検出判定が前記手段（８０）において推定される雑音推定値の更新を制御する、移動局。
入力信号（x(n)）を受信し、
該入力信号中の音声活性を検出し、
その検出に基づいて音声活性判定（Ｖ_ind ）を行う各ステップを有する、通信装置における音声活性を検出する方法において、
前記入力信号を特定の周波数帯域を表すサブ信号（S(s)）に分割し（６）、
該サブ信号中の雑音（N(s)）を推定し（８０）、
前記の推定された雑音（N(s)）の平均レベル（ホ）を計算し（７０）、
該サブ信号中の雑音に基づいて各サブ信号についての信号対雑音比（SNR）を計算して、前記信号対雑音比を副判定信号（SNR(s)）として供給し（９０）、
該副判定信号に基づいて該入力信号についての音声活性判定（Ｖ_ind ）を行う（１１０）各ステップをそなえ、
ここに前記の入力信号について音声活性判定を行うステップは、
異なる周波数帯域から得られた前記の信号対雑音比（SNR(s)）の線形和を求めることによって値（Ｄ_SNR）を生成する（１１１）ステップと、
前記の値（Ｄ_SNR）を閾値（vth）と比較し、前記の比較に基づいて音声活性判定信号（Ｖ_ind ）を出力する（１１２）ステップとを有し、ここに前記閾値（vth）は前記の推定された雑音の平均レベル（ホ）により調整され、前記の推定された雑音は、前記の入力信号の定常度によって更新されることを特徴とし、
長周期予測分析を計算し、長周期予測利得(LTP＿gain＿sum)を含む長周期予測パラメータを生成するステップ（７）と、
前記長周期予測利得を閾値(thr＿lag)と比較するステップ（７）と、
前記比較に基づいて有声検出判定を生成するステップ（７）とを有し、前記ステップ（７）において生成された有声検出判定が前記ステップ（８０）において推定される雑音推定値の更新を制御する、方法。