ノイズパワー推定装置及びノイズパワー推定方法並びに音声認識装置及び音声認識方法
【課題】レベルに基づいたしきい値パラメータを必要とせず、ノイズ環境の変化に対して高いロバスト性を有する、ノイズパワー推定装置を提供する。
【解決手段】本発明による周波数スペクトルの成分ごとのノイズパワーを推定するノイズパワー推定装置であって、横軸がパワーの大きさのインデクスであり縦軸が累積頻度である、指数移動平均の重みをつけた累積ヒストグラムを、時系列入力信号の周波数スペクトルの成分ごとに生成する累積ヒストグラム生成部と、該時系列入力信号の周波数スペクトルの成分ごとに、該累積ヒストグラムからノイズパワーの推定値を求めるノイズパワー推定部と、を備えている。
【解決手段】本発明による周波数スペクトルの成分ごとのノイズパワーを推定するノイズパワー推定装置であって、横軸がパワーの大きさのインデクスであり縦軸が累積頻度である、指数移動平均の重みをつけた累積ヒストグラムを、時系列入力信号の周波数スペクトルの成分ごとに生成する累積ヒストグラム生成部と、該時系列入力信号の周波数スペクトルの成分ごとに、該累積ヒストグラムからノイズパワーの推定値を求めるノイズパワー推定部と、を備えている。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、ノイズパワー推定装置及びノイズパワー推定方法並びに音声認識装置及び音声認識方法に関する。
【背景技術】
【０００２】
自然な人間・ロボット間の対話を実現するには、ノイズや残響が存在してもロボットが人間の音声を認識する必要がある。背景ノイズなどの障害による自動音声認識装置の性能劣化を避けるために、ロボットの音処理システムに多くの音声強調処理が適用されている（非特許文献１乃至４）。音声強調処理にはノイズスペクトル推定処理が必要である。
【０００３】
たとえば、ノイズスペクトル推定にＭＣＲＡ（Minima-Controlled Recursive Average）法が適用されている（引用文献５）。ＭＣＲＡは最小レベルのスペクトルを追跡し、入力信号のエネルギと最小エネルギの比に基づいて、しきい値演算の後に、現在の入力信号が音声であるかそうではないか（ノイズであるか）判断する。このことは、ＭＣＲＡがノイズスペクトルの最小レベルが変化しないことを暗に仮定していることを意味する。したがって、ノイズが定常状態ではなく、最小レベルが変化する場合には、しきい値パラメータを固定値に設定するのが困難である。さらに、ＭＣＲＡにおいて非定常状態ノイズに対して微調整されたパラメータが適切に機能するとしても、他のノイズ、通常の定常状態ノイズに対してさえもうまく機能しない。
【０００４】
このように、ノイズ環境の変化に対応して適切にパラメータを設定し、音声強調処理を行うのは困難であった。
【０００５】
すなわち、レベルに基づいたしきい値パラメータを必要とせず、ノイズ環境の変化に対して高いロバスト性を有する、ノイズパワー推定装置及びノイズパワー推定方法並びに音声認識装置及び音声認識方法は開発されていない。
【先行技術文献】
【非特許文献】
【０００６】
【非特許文献１】K. Nakadai, et.al., “An open source software system for robot audition HARK and its evaluation,” in 2008 IEEE-RAS Int’l. Conf. on Humanoid Robots(Humanoids2008).IEEE,2008.
【非特許文献２】J. Valin, et.al., “Enhanced robot audition based on microphone array source separation with post-filter,” in IROS 2004.IEEE/RSJ,2004,pp.2123-2128.
【非特許文献３】S. Yamamoto, et.al., “Making a robot recognize three simultaneous sentences in real-time,” in IROS2005. IEEE/RSJ, 2005,pp.897-892.
【非特許文献４】N. Mochiki, et.al., “Recognition of three simultaneous utterance of speech by four-line directivity microphone mounted on head of robot,” in2004 Int’l Conf. on Spoken Language Processing(ICSLP2004),2004,p.WeA1705o.4.
【非特許文献５】I. Cohen and B. Berdugo, “Speech enhancement for non-stationary noise environments,” Signal Processing, vol.81,pp.2403-2481,2001.
【発明の概要】
【発明が解決しようとする課題】
【０００７】
したがって、レベルに基づいたしきい値パラメータを必要とせず、ノイズ環境の変化に対して高いロバスト性を有する、ノイズパワー推定装置及びノイズパワー推定方法並びに音声認識装置及び音声認識方法に対するニーズがある。
【課題を解決するための手段】
【０００８】
本発明の第１の態様によるノイズパワー推定装置は、周波数スペクトルの成分ごとのノイズパワーを推定するノイズパワー推定装置であって、横軸がパワーの大きさのインデクスであり縦軸が累積頻度である、指数移動平均の重みをつけた累積ヒストグラムを、時系列入力信号の周波数スペクトルの成分ごとに生成する累積ヒストグラム生成部と、該時系列入力信号の周波数スペクトルの成分ごとに、該累積ヒストグラムからノイズパワーの推定値を求めるノイズパワー推定部と、を備えている。
【０００９】
本態様によるノイズパワー推定装置は、時系列入力信号の周波数スペクトルの成分ごとに、移動平均の重みをつけた累積ヒストグラムからノイズパワーの推定値を求めるので、ノイズ環境の変化に対して高いロバスト性を有する。また、移動平均の重みをつけた累積ヒストグラムを使用するので、レベルに基づいたしきい値パラメータを必要としない。
【００１０】
本発明の一つの実施形態によるノイズパワー推定装置は、第１の態様のノイズパワー推定装置であって、前記ノイズパワー推定部が、前記累積ヒストグラムにおいて累積頻度の最大値に対する所定の比率の累積頻度に対応するパワーの大きさをノイズパワーの推定値とする。
【００１１】
本実施形態によれば、ノイズパワーに対応する累積頻度を、累積頻度の最大値に対する所定の比率から簡単に定めることができる。上記所定の比率は、たとえば目的とする音声の頻度を考慮することにより定めることができる。
【００１２】
本発明の第２の態様による音声認識装置は、周波数スペクトルの成分ごとに、第１の態様または上記の実施形態のノイズパワー推定装置によって求めたノイズパワーの推定値を使用してスペクトル減算を行う。
【００１３】
したがって、本態様による音声認識装置は、レベルに基づいたしきい値パラメータを必要とせず、ノイズ環境の変化に対して高いロバスト性を有する。
【００１４】
本発明の第３の態様によるノイズパワー推定方法は、周波数スペクトルの成分ごとのノイズパワーを推定するノイズパワー推定方法である。本方法は、累積ヒストグラム生成部が、横軸がパワーの大きさのインデクスであり縦軸が累積頻度である、指数移動平均の重みをつけた累積ヒストグラムを、時系列入力信号の周波数スペクトルの成分ごとに生成するステップと、ノイズパワー推定部が、該時系列入力信号の周波数スペクトルの成分ごとに、該累積ヒストグラムからノイズパワーの推定値を求めるステップと、を含む。本方法は、上記二つのステップを繰り返すことによって連続的にノイズパワーを推定する。
【００１５】
本態様によるノイズパワー推定方法は、時系列入力信号の周波数スペクトルの成分ごとに、移動平均の重みをつけた累積ヒストグラムからノイズパワーの推定値を求めるので、ノイズ環境の変化に対して高いロバスト性を有する。また、移動平均の重みをつけた累積ヒストグラムを使用するので、レベルに基づいたしきい値パラメータを必要としない。
【００１６】
本発明の一つの実施形態によるノイズパワー推定方法は、第３の態様のノイズパワー推定方法であって、前記ノイズパワー推定部が、前記累積ヒストグラムにおいて累積頻度の最大値に対する所定の比率の累積頻度に対応するパワーの大きさをノイズパワーの推定値とする。
【００１７】
本実施形態によれば、ノイズパワーに対応する累積頻度を、累積頻度の最大値に対する所定の比率から簡単に定めることができる。上記所定の比率は、たとえば目的とする音声の頻度を考慮することにより定めることができる。
【００１８】
本発明の第４の態様による音声認識方法は、周波数スペクトルの成分ごとに、本発明の第３の態様または上記の実施形態のノイズパワー推定方法によって求めたノイズパワーの推定値を使用してスペクトル減算を行うステップを含む。
【００１９】
したがって、本態様による音声認識方法は、レベルに基づいたしきい値パラメータを必要とせず、ノイズ環境の変化に対して高いロバスト性を有する。
【図面の簡単な説明】
【００２０】
【図１】本発明の一実施形態による音声認識装置の構成を示す図である。
【図２】繰り返しノイズパワー推定部の構成を示す図である。
【図３】累積ヒストグラム生成部によって作成される累積ヒストグラムを説明するための図である。
【図４】繰り返しノイズパワー推定部の動作を説明するための流れ図である。
【図５】マイクロフォン及び音源の位置を示す図である。
【図６】定常ノイズ及び比定常ノイズに対するノイズ推定誤差を示す図である。
【図７】それぞれのノイズ条件の下での３システムによるＷＣＲを示す図である。
【発明を実施するための形態】
【００２１】
図１は、本発明の一実施形態による音声認識装置の構成を示す図である。音声認識装置は、音検出部１００と、音源分離部２００と、繰り返しノイズパワー推定部３００と、スペクトル減算部４００と、音特徴抽出部５００と、音声認識部６００と、を含む。
【００２２】
音検出部１００は、たとえばロボットに設置された、複数のマイクロフォンからなるマイクロフォンアレイなどである。
【００２３】
音源分離部２００は、線形音声強調処理を実施する。音源分離部２００は、マイクロフォンアレイから音データを取得し、たとえば、幾何学的音源分離（Geometric Source Separation, GSS）と呼ばれる線形分離アルゴリズムを使用して音源を分離する。本実施形態においては、ＧＳＳを改良し。ステップ・サイズ適応技術を備えたＧＳＳ−ＡＳという方法を使用した（H. Nakajima, et.al., “Adaptive step-size parameter control for real-world blind source separation,” in ICASSP2008.IEEE,2008,pp.149-
152.）。音源分離部２００は、方向性を有する音源を分離することのできる、上記の構成以外のどのような構成によって実現してもよい。
【００２４】
繰り返しノイズパワー推定部３００は、音源分離部２００によって分離された音源からの音の周波数スペクトルの成分ごとにノイズパワーを繰り返し推定する。繰り返しノイズパワー推定部３００の構成及び機能の詳細については後で説明する。
【００２５】
スペクトル減算部４００は、音源分離部２００によって分離された音源からの音の周波数スペクトルの成分から、繰り返しノイズパワー推定部３００によって推定された周波数スペクトルの成分ごとにノイズパワーを減算する。スペクトル減算については、文献（I.CohenandB.Berdugo,“Speechenhancementfornon-stationarynoiseenvironments,”SignalProcessing,vol.81,pp.2403-2481,2001.）、（M.Delcroix,et.al.,“Staticanddynamicvariancecompensationforrecognitionofreverberantspeechwithdereverberationprocessing,”IEEETrans.onAudio,Speech,andLanguageProcessing,vol.17,no.2,pp.324-334,2009.）及び（Y.Takahashi,et.al.,“Real-timeimplementaionofblindspatialsubtactionarrayforhands-freerobotspokendialoguesystem,”inIROS2008.IEEE/RSJ,2008,pp.1687-1692.）に記載されている。スペクトル減算の代わりに最小二乗平均誤差法を使用してもよい（J.Valin,et.al.,“Enhancedrobotauditionbasedonmicrophonearraysourceseparationwithpost-filter,”inIROS2004.IEEE/RSJ,2004,pp.2123-2128.）、（S.Yamamoto,et.al.,“Makingarobotrecognizethreesimultaneoussentencesinreal-time,”inIROS2005.IEEE/RSJ,2005,pp.897-892.）。
【００２６】
このように、繰り返しノイズパワー推定部３００及びスペクトル減算部４００は、非線形音声強調処理を実施する。
【００２７】
音特徴抽出部５００は、スペクトル減算部４００の出力に基づいて音特徴を抽出する。
【００２８】
音声認識部６００は、音特徴抽出部５００の出力に基づいて音声認識を行なう。
【００２９】
繰り返しノイズパワー推定部３００について説明する。
【００３０】
図２は繰り返しノイズパワー推定部３００の構成を示す図である。繰り返しノイズパワー推定部３００は、累積ヒストグラム生成部３０１とノイズパワー推定部３０３とを含む。累積ヒストグラム生成部３０１は、横軸がパワーの大きさのインデクスであり縦軸が累積頻度である、移動平均の重みをつけた累積ヒストグラムを、時系列入力信号の周波数スペクトルの成分ごとに生成する。移動平均の重みをつけた累積ヒストグラムについては後で説明する。ノイズパワー推定部３０３は、入力信号の周波数スペクトルの成分ごとに、累積ヒストグラムからノイズパワーの推定値を求める。
【００３１】
図３は、累積ヒストグラム生成部３０１によって作成される累積ヒストグラムを説明するための図である。図３の左側の図は、ヒストグラムを示す図である。横軸はパワーの大きさのインデクスであり縦軸は頻度である。図３の左側の図において、
【数１】
はパワーの最小レベルを表し、
【数２】
はパワーの最大レベルを表す。ロボットが動作しながら音声認識を行う場合には、ノイズは主にロボットのファンなどによる自己ノイズであり、目標とする信号は話者による音声である。このような場合に、一般的に、ノイズのパワーのレベルは、話者による音声のレベルよりも小さい。また、ノイズの頻度は、話者による音声の頻度に比較してかなり多い。図３の右側の図は、累積ヒストグラムを示す図である。横軸はパワーの大きさのインデクスであり縦軸は累積頻度である。図３の右側の図において、
【数３】
のｘは累積ヒストグラムの縦軸方向の位置を示し、たとえば、
【数４】
は縦軸方向の５０に対応するメディアン（中間値）を示す。ノイズのパワーのレベルは、話者による音声のレベルよりも小さく、また、ノイズの頻度は、話者による音声の頻度に比較してかなり多いので、図３の右側の図に示すように、所定の範囲のｘに対応する
【数５】
の値は同じである。したがって、上記の所定の範囲のｘを定め、
【数６】
を求めることによりノイズのパワーレベルを推定することができる。
【００３２】
図４は、繰り返しノイズパワー推定部３００の動作を説明するための流れ図である。ここで、流れ図の説明に使用する符号は以下のとおりである。
【数７】
【００３３】
図４のステップＳ０１０において、累積ヒストグラム生成部３０１が入力信号のパワーを以下の式によってインデクスに変換する。
【数８】
【００３４】
パワーからインデクスへの変換は、計算時間を削減するため変換テーブルを使用して行われる。
【００３５】
図４のステップＳ０２０において、累積ヒストグラム生成部３０１が累積ヒストグラムを以下の式を使用して更新する。
【数９】
【００３６】
ここで、αは時間減衰パラメータであり、時定数
【数１０】
及びサンプリング周波数
【数１１】
から以下の式によって定まる。
【数１２】
このようにして作成された累積ヒストグラムは、データの古さにしたがって重みが小さくなるように構成されている。このような累積ヒストグラムを移動平均の重みをつけた累積ヒストグラムと呼称する。式（３）においては、全てのインデクスにαを乗じ、インデクス
【数１３】
のみに（１−α）を加算する。実際の計算においては、計算時間を削減するため式（３）を計算せずに直接式（４）を計算する。すなわち、式（４）において、全てのインデクスにαを乗じ、
【数１４】
から
【数１５】
までのインデクスに（１−α）を加算する。さらに実際には、
【数１６】
から
【数１７】
までのインデクスに（１−α）の代わりに指数的に増分した値
【数１８】
を加算することによって、全てのインデクスにαを乗じる処理を避けることができ、さらに計算時間が削減される。しかし、この方法は、
【数１９】
を指数的に増加させる。したがって、
【数２０】
が変数の最大値に近づいた際に、
【数２１】
の大きさを正規化する処理が必要である。
【００３７】
図４のステップＳ０３０において、ノイズパワー推定部３０３は、ｘに相当する累積ヒストグラムのインデクスを以下の式にしたがって求める。
【数２２】
【００３８】
ここで、argminは、 []内の値を最小値とするIであることを意味する。１から
【数２３】
までの全てのインデクスについて式（５）の判定を行なう代わりに、前回検出されたインデクス
【数２４】
から一方向の探索を行なうことによって計算時間が大幅に削減される。
【００３９】
図４のステップＳ０４０において、ノイズパワー推定部３０３は、ノイズパワーの推定値を以下の式にしたがって求める。
【数２５】
【００４０】
図４に示した方法は５個のパラメータを使用する。最小パワーレベル
【数２６】
、１ビンのパワーレベル幅
【数２７】
及び累積ヒストグラムの最大インデクス
【数２８】
は、ヒストグラムの範囲及び急峻度を定める。これらのパラメータは、入力信号の範囲をカバーするように定めれば、ノイズの推定値に影響しない。一般的な値は以下のとおりである。
【数２９】
スペクトル成分の最大レベルは、９６ｄＢ（１Ｐａ）に正規化されるとした。
【００４１】
ｘ及びαは、ノイズ推定値に影響する主要なパラメータである。しかし、パラメータｘは、ノイズパワーのレベルが安定していれば、ノイズパワーの推定値
【数３０】
に敏感ではない。たとえば、図３において、ｘが３０％から７０％の範囲で変化しても、
【数３１】
の値は変化しない。不安定なノイズに対して、ノイズパワーのレベルの範囲の推定レベルを定める。実際には、時間周波数領域において、音声の信号はまばらであるので、音声出現頻度は、ほとんどの場合、ノイズ出現頻度の２０％よりも小さく、この値はＳＮ比及び周波数と無関係である。したがって、パラメータｘは、ＳＮ比または周波数ではなく、推定したいノイズのパワーのレベルのみに従って設定することができる。たとえば、音声出現頻度が２０％であれば、中間値のノイズパワーのレベルに対して、ｘ＝４０を設定し、最大値に対してｘ＝８０を設定する。
【００４２】
時定数
【数３２】
も、ＳＮ比または周波数にしたがって変化させる必要はない。時定数
【数３３】
は、ヒストグラム計算の等価平均時間を制御する。時定数
【数３４】
は、ノイズ及び音声の双方の長さに対して、十分大きい値に設定すべきである。質問及び回答のような一般的な繰り返し対話に対して、ほとんどの音声の発話期間は１０秒よりも小さいので、時定数
【数３５】
の一般的な値は１０秒である。
【００４３】
このように、パラメータをＳＮ比または周波数に関係なく簡単に定めることができるのが本発明の大きな利点である。これに対して、たとえば、従来技術のＭＣＲＡは、ノイズ及び信号を区別するためのしきい値パラメータを必要とし、このパラメータは、周波数によって変化するＳＮ比にしたがって調整する必要がある。
【００４４】
実験
本発明によるノイズパワー推定装置を使用した音声認識装置の性能を確認するための実験について説明する。
【００４５】
１）実験の設定
図５はマイクロフォン及び音源の位置を示す図である。ＳＮ比を制御し、真のノイズレベルを測定するために、ノイズ信号及びインパルス応答を測定し、静かな環境で記録した音声信号とともに入力信号を合成した。インパルス応答は、２台のスピーカ（Ｓ１及びＳ２）とともに、人間型ロボットの頭部に埋め込まれたマイクロフォンを使用して測定した。音源信号としてＡＴＲ（国際電気通信基礎技術研究所）が作成したＡＴＲ音素バランス単語（２１６語）から抽出した音声信号を使用した。このＡＴＲ音素バランス単語は、それぞれのスピーカの２１６語を含む。定常ノイズとしてロボットノイズ（主にファンノイズ）を使用し、非定常ノイズとして音楽信号を使用した。全ての実験は、時間周波数領域で実施された。本発明の有効性を示すために、従来のＭＣＲＡ法と比較した。
【００４６】
表１は、音検出部１００、本発明の実施形態による繰り返しノイズパワー推定部２００及び従来のＭＣＲＡ法のパラメータを示す。ＭＣＲＡ法のパラメータは、ＭＣＲＡ法の原論文（I. Cohen and B. Berdugo, “Speech enhancement for non-stationary noise environments,” Signal Processing, vol.81,pp.2403-2481,2001.）に記載されたものと同じである。
【表１】
【００４７】
２）実験の結果
図６（ａ）は、定常ノイズに対するノイズ推定誤差を示す図である。図６（ａ）の横軸は時間（単位は秒）を示し、縦軸はノイズ推定誤差（単位はｄＢ）を示す。図６（ａ）の実線は、本実施形態の繰り返しノイズパワー推定部による結果を示し、点線は、ＭＣＲＡによる結果を示す。
【００４８】
図６（ｂ）は、非定常ノイズに対するノイズ推定誤差を示す図である。図６（ｂ）の横軸は時間（単位は秒）を示し、縦軸はノイズ推定誤差（単位はｄＢ）を示す。図６（ｂ）の実線は、本実施形態の繰り返しノイズパワー推定部による結果を示し、点線は、ＭＣＲＡによる結果を示す。
【００４９】
図６（ａ）に示す定常ノイズの場合は、１秒経過後は、本実施形態による推定誤差もＭＣＲＡによる推定誤差も小さく両者の差はほとんどない。しかし、図６（ｂ）に示す非定常ノイズに対して、本実施形態の推定誤差は、ＭＣＲＡの推定誤差よりも２乃至５ｄＢ低く、本実施形態の収束速度は、ＭＣＲＡの収束速度よりも大きい。これらの結果から、本実施形態の繰り返しノイズパワー推定部によるノイズ推定は、ＭＣＲＡを使用したノイズ推定よりもノイズの環境変化に対してロバストであると判断される。
【００５０】
本実施形態の繰り返しノイズパワー推定部をロボット音処理システム（K. Nakadai, et.al., “An open source software system for robot audition HARK and its evaluation,” in 2008 IEEE-RAS Int’l. Conf. on Humanoid Robots (Humanoids2008).IEEE, 2008.）によって評価した。上記音処理システムは、音源位置特定と、音声活動検出と、音声強調を統合したものである。ＡＴＲ２１６単語及び自動音声認識用のJulius（A. Lee, et. al., “Julius-an open source real-time large vocabulary recognition engine,” in 7th European Conf. on Speech Communication and Technology, 2001, vol.3,pp.1691-1694.）を使用し、評価基準に語正答率（word correct rate, WCR）を使用した。自動音声認識の音モデルは、大きなデータ・コーパス日本語新聞記事文章（ＪＮＡＳ）に適用されたＧＳＳ−ＡＳのみを使用して強調した音声を使用してトレーニングした。ベース・システム、ＭＣＲＡシステム及び本実施形態のシステムの３システムについて評価を行なった。線形プロセスであるＧＳＳ−ＡＳは、全てのシステムに適用される。ベース・システムは、非線形音声強調処理を含まないシステムである。ＭＣＲＡシステムは、スペクトル減算（ＳＳ）及びＭＣＲＡに基づく非線形音声強調処理を使用するシステムである。本実施形態のシステムは、図１に示したシステムである。公正に比較を行なうために、ＭＣＲＡに対して推定されたノイズパワーを拡大するゲインパラメータＧを導入した。その他のパラメータは表１に示したものと同じである。実験的に定めた最良のパラメータとして、本実施形態に対してｘ＝２０％、ＭＣＲＡに対してＧ＝０．４を使用した。
【００５１】
表２はノイズ条件を示す表である。ファン（定常ノイズ）及び音楽（非定常ノイズ）の２個のノイズタイプに対して、ＷＣＲを評価した。音声用及びノイズ用スピーカの位置は、図５に示すとおりである。
【表２】
入力データは２３６個の独立した発話であり、推定されるノイズは発話ごとに初期化した。ロボットシステムは、新たなスピーカが現れたときに新たな推定を行い、そのスピーカが消えたときに初期化を行なうので、スピーカが頻繁に変わる動的な環境が生成されたと考える。
【００５２】
図７は、それぞれのノイズ条件の下での３システムによるＷＣＲを示す図である。図７の横軸はノイズ条件を表し、縦軸はＷＣＲ［％］を表す。本実施形態のシステムは、ファン（定常ノイズ）及び音楽（非定常ノイズ）に対して、ベース・システム及びＭＣＲＡシステムよりも高いＷＣＲを示す。
【符号の説明】
【００５３】
１００…音検出部、２００…音源分離部、３００…繰り返しノイズパワー推定部、４００…スペクトル減算部、５００…音特徴抽出部、６００…音声認識部
【技術分野】
【０００１】
本発明は、ノイズパワー推定装置及びノイズパワー推定方法並びに音声認識装置及び音声認識方法に関する。
【背景技術】
【０００２】
自然な人間・ロボット間の対話を実現するには、ノイズや残響が存在してもロボットが人間の音声を認識する必要がある。背景ノイズなどの障害による自動音声認識装置の性能劣化を避けるために、ロボットの音処理システムに多くの音声強調処理が適用されている（非特許文献１乃至４）。音声強調処理にはノイズスペクトル推定処理が必要である。
【０００３】
たとえば、ノイズスペクトル推定にＭＣＲＡ（Minima-Controlled Recursive Average）法が適用されている（引用文献５）。ＭＣＲＡは最小レベルのスペクトルを追跡し、入力信号のエネルギと最小エネルギの比に基づいて、しきい値演算の後に、現在の入力信号が音声であるかそうではないか（ノイズであるか）判断する。このことは、ＭＣＲＡがノイズスペクトルの最小レベルが変化しないことを暗に仮定していることを意味する。したがって、ノイズが定常状態ではなく、最小レベルが変化する場合には、しきい値パラメータを固定値に設定するのが困難である。さらに、ＭＣＲＡにおいて非定常状態ノイズに対して微調整されたパラメータが適切に機能するとしても、他のノイズ、通常の定常状態ノイズに対してさえもうまく機能しない。
【０００４】
このように、ノイズ環境の変化に対応して適切にパラメータを設定し、音声強調処理を行うのは困難であった。
【０００５】
すなわち、レベルに基づいたしきい値パラメータを必要とせず、ノイズ環境の変化に対して高いロバスト性を有する、ノイズパワー推定装置及びノイズパワー推定方法並びに音声認識装置及び音声認識方法は開発されていない。
【先行技術文献】
【非特許文献】
【０００６】
【非特許文献１】K. Nakadai, et.al., “An open source software system for robot audition HARK and its evaluation,” in 2008 IEEE-RAS Int’l. Conf. on Humanoid Robots(Humanoids2008).IEEE,2008.
【非特許文献２】J. Valin, et.al., “Enhanced robot audition based on microphone array source separation with post-filter,” in IROS 2004.IEEE/RSJ,2004,pp.2123-2128.
【非特許文献３】S. Yamamoto, et.al., “Making a robot recognize three simultaneous sentences in real-time,” in IROS2005. IEEE/RSJ, 2005,pp.897-892.
【非特許文献４】N. Mochiki, et.al., “Recognition of three simultaneous utterance of speech by four-line directivity microphone mounted on head of robot,” in2004 Int’l Conf. on Spoken Language Processing(ICSLP2004),2004,p.WeA1705o.4.
【非特許文献５】I. Cohen and B. Berdugo, “Speech enhancement for non-stationary noise environments,” Signal Processing, vol.81,pp.2403-2481,2001.
【発明の概要】
【発明が解決しようとする課題】
【０００７】
したがって、レベルに基づいたしきい値パラメータを必要とせず、ノイズ環境の変化に対して高いロバスト性を有する、ノイズパワー推定装置及びノイズパワー推定方法並びに音声認識装置及び音声認識方法に対するニーズがある。
【課題を解決するための手段】
【０００８】
本発明の第１の態様によるノイズパワー推定装置は、周波数スペクトルの成分ごとのノイズパワーを推定するノイズパワー推定装置であって、横軸がパワーの大きさのインデクスであり縦軸が累積頻度である、指数移動平均の重みをつけた累積ヒストグラムを、時系列入力信号の周波数スペクトルの成分ごとに生成する累積ヒストグラム生成部と、該時系列入力信号の周波数スペクトルの成分ごとに、該累積ヒストグラムからノイズパワーの推定値を求めるノイズパワー推定部と、を備えている。
【０００９】
本態様によるノイズパワー推定装置は、時系列入力信号の周波数スペクトルの成分ごとに、移動平均の重みをつけた累積ヒストグラムからノイズパワーの推定値を求めるので、ノイズ環境の変化に対して高いロバスト性を有する。また、移動平均の重みをつけた累積ヒストグラムを使用するので、レベルに基づいたしきい値パラメータを必要としない。
【００１０】
本発明の一つの実施形態によるノイズパワー推定装置は、第１の態様のノイズパワー推定装置であって、前記ノイズパワー推定部が、前記累積ヒストグラムにおいて累積頻度の最大値に対する所定の比率の累積頻度に対応するパワーの大きさをノイズパワーの推定値とする。
【００１１】
本実施形態によれば、ノイズパワーに対応する累積頻度を、累積頻度の最大値に対する所定の比率から簡単に定めることができる。上記所定の比率は、たとえば目的とする音声の頻度を考慮することにより定めることができる。
【００１２】
本発明の第２の態様による音声認識装置は、周波数スペクトルの成分ごとに、第１の態様または上記の実施形態のノイズパワー推定装置によって求めたノイズパワーの推定値を使用してスペクトル減算を行う。
【００１３】
したがって、本態様による音声認識装置は、レベルに基づいたしきい値パラメータを必要とせず、ノイズ環境の変化に対して高いロバスト性を有する。
【００１４】
本発明の第３の態様によるノイズパワー推定方法は、周波数スペクトルの成分ごとのノイズパワーを推定するノイズパワー推定方法である。本方法は、累積ヒストグラム生成部が、横軸がパワーの大きさのインデクスであり縦軸が累積頻度である、指数移動平均の重みをつけた累積ヒストグラムを、時系列入力信号の周波数スペクトルの成分ごとに生成するステップと、ノイズパワー推定部が、該時系列入力信号の周波数スペクトルの成分ごとに、該累積ヒストグラムからノイズパワーの推定値を求めるステップと、を含む。本方法は、上記二つのステップを繰り返すことによって連続的にノイズパワーを推定する。
【００１５】
本態様によるノイズパワー推定方法は、時系列入力信号の周波数スペクトルの成分ごとに、移動平均の重みをつけた累積ヒストグラムからノイズパワーの推定値を求めるので、ノイズ環境の変化に対して高いロバスト性を有する。また、移動平均の重みをつけた累積ヒストグラムを使用するので、レベルに基づいたしきい値パラメータを必要としない。
【００１６】
本発明の一つの実施形態によるノイズパワー推定方法は、第３の態様のノイズパワー推定方法であって、前記ノイズパワー推定部が、前記累積ヒストグラムにおいて累積頻度の最大値に対する所定の比率の累積頻度に対応するパワーの大きさをノイズパワーの推定値とする。
【００１７】
本実施形態によれば、ノイズパワーに対応する累積頻度を、累積頻度の最大値に対する所定の比率から簡単に定めることができる。上記所定の比率は、たとえば目的とする音声の頻度を考慮することにより定めることができる。
【００１８】
本発明の第４の態様による音声認識方法は、周波数スペクトルの成分ごとに、本発明の第３の態様または上記の実施形態のノイズパワー推定方法によって求めたノイズパワーの推定値を使用してスペクトル減算を行うステップを含む。
【００１９】
したがって、本態様による音声認識方法は、レベルに基づいたしきい値パラメータを必要とせず、ノイズ環境の変化に対して高いロバスト性を有する。
【図面の簡単な説明】
【００２０】
【図１】本発明の一実施形態による音声認識装置の構成を示す図である。
【図２】繰り返しノイズパワー推定部の構成を示す図である。
【図３】累積ヒストグラム生成部によって作成される累積ヒストグラムを説明するための図である。
【図４】繰り返しノイズパワー推定部の動作を説明するための流れ図である。
【図５】マイクロフォン及び音源の位置を示す図である。
【図６】定常ノイズ及び比定常ノイズに対するノイズ推定誤差を示す図である。
【図７】それぞれのノイズ条件の下での３システムによるＷＣＲを示す図である。
【発明を実施するための形態】
【００２１】
図１は、本発明の一実施形態による音声認識装置の構成を示す図である。音声認識装置は、音検出部１００と、音源分離部２００と、繰り返しノイズパワー推定部３００と、スペクトル減算部４００と、音特徴抽出部５００と、音声認識部６００と、を含む。
【００２２】
音検出部１００は、たとえばロボットに設置された、複数のマイクロフォンからなるマイクロフォンアレイなどである。
【００２３】
音源分離部２００は、線形音声強調処理を実施する。音源分離部２００は、マイクロフォンアレイから音データを取得し、たとえば、幾何学的音源分離（Geometric Source Separation, GSS）と呼ばれる線形分離アルゴリズムを使用して音源を分離する。本実施形態においては、ＧＳＳを改良し。ステップ・サイズ適応技術を備えたＧＳＳ−ＡＳという方法を使用した（H. Nakajima, et.al., “Adaptive step-size parameter control for real-world blind source separation,” in ICASSP2008.IEEE,2008,pp.149-
152.）。音源分離部２００は、方向性を有する音源を分離することのできる、上記の構成以外のどのような構成によって実現してもよい。
【００２４】
繰り返しノイズパワー推定部３００は、音源分離部２００によって分離された音源からの音の周波数スペクトルの成分ごとにノイズパワーを繰り返し推定する。繰り返しノイズパワー推定部３００の構成及び機能の詳細については後で説明する。
【００２５】
スペクトル減算部４００は、音源分離部２００によって分離された音源からの音の周波数スペクトルの成分から、繰り返しノイズパワー推定部３００によって推定された周波数スペクトルの成分ごとにノイズパワーを減算する。スペクトル減算については、文献（I.CohenandB.Berdugo,“Speechenhancementfornon-stationarynoiseenvironments,”SignalProcessing,vol.81,pp.2403-2481,2001.）、（M.Delcroix,et.al.,“Staticanddynamicvariancecompensationforrecognitionofreverberantspeechwithdereverberationprocessing,”IEEETrans.onAudio,Speech,andLanguageProcessing,vol.17,no.2,pp.324-334,2009.）及び（Y.Takahashi,et.al.,“Real-timeimplementaionofblindspatialsubtactionarrayforhands-freerobotspokendialoguesystem,”inIROS2008.IEEE/RSJ,2008,pp.1687-1692.）に記載されている。スペクトル減算の代わりに最小二乗平均誤差法を使用してもよい（J.Valin,et.al.,“Enhancedrobotauditionbasedonmicrophonearraysourceseparationwithpost-filter,”inIROS2004.IEEE/RSJ,2004,pp.2123-2128.）、（S.Yamamoto,et.al.,“Makingarobotrecognizethreesimultaneoussentencesinreal-time,”inIROS2005.IEEE/RSJ,2005,pp.897-892.）。
【００２６】
このように、繰り返しノイズパワー推定部３００及びスペクトル減算部４００は、非線形音声強調処理を実施する。
【００２７】
音特徴抽出部５００は、スペクトル減算部４００の出力に基づいて音特徴を抽出する。
【００２８】
音声認識部６００は、音特徴抽出部５００の出力に基づいて音声認識を行なう。
【００２９】
繰り返しノイズパワー推定部３００について説明する。
【００３０】
図２は繰り返しノイズパワー推定部３００の構成を示す図である。繰り返しノイズパワー推定部３００は、累積ヒストグラム生成部３０１とノイズパワー推定部３０３とを含む。累積ヒストグラム生成部３０１は、横軸がパワーの大きさのインデクスであり縦軸が累積頻度である、移動平均の重みをつけた累積ヒストグラムを、時系列入力信号の周波数スペクトルの成分ごとに生成する。移動平均の重みをつけた累積ヒストグラムについては後で説明する。ノイズパワー推定部３０３は、入力信号の周波数スペクトルの成分ごとに、累積ヒストグラムからノイズパワーの推定値を求める。
【００３１】
図３は、累積ヒストグラム生成部３０１によって作成される累積ヒストグラムを説明するための図である。図３の左側の図は、ヒストグラムを示す図である。横軸はパワーの大きさのインデクスであり縦軸は頻度である。図３の左側の図において、
【数１】
はパワーの最小レベルを表し、
【数２】
はパワーの最大レベルを表す。ロボットが動作しながら音声認識を行う場合には、ノイズは主にロボットのファンなどによる自己ノイズであり、目標とする信号は話者による音声である。このような場合に、一般的に、ノイズのパワーのレベルは、話者による音声のレベルよりも小さい。また、ノイズの頻度は、話者による音声の頻度に比較してかなり多い。図３の右側の図は、累積ヒストグラムを示す図である。横軸はパワーの大きさのインデクスであり縦軸は累積頻度である。図３の右側の図において、
【数３】
のｘは累積ヒストグラムの縦軸方向の位置を示し、たとえば、
【数４】
は縦軸方向の５０に対応するメディアン（中間値）を示す。ノイズのパワーのレベルは、話者による音声のレベルよりも小さく、また、ノイズの頻度は、話者による音声の頻度に比較してかなり多いので、図３の右側の図に示すように、所定の範囲のｘに対応する
【数５】
の値は同じである。したがって、上記の所定の範囲のｘを定め、
【数６】
を求めることによりノイズのパワーレベルを推定することができる。
【００３２】
図４は、繰り返しノイズパワー推定部３００の動作を説明するための流れ図である。ここで、流れ図の説明に使用する符号は以下のとおりである。
【数７】
【００３３】
図４のステップＳ０１０において、累積ヒストグラム生成部３０１が入力信号のパワーを以下の式によってインデクスに変換する。
【数８】
【００３４】
パワーからインデクスへの変換は、計算時間を削減するため変換テーブルを使用して行われる。
【００３５】
図４のステップＳ０２０において、累積ヒストグラム生成部３０１が累積ヒストグラムを以下の式を使用して更新する。
【数９】
【００３６】
ここで、αは時間減衰パラメータであり、時定数
【数１０】
及びサンプリング周波数
【数１１】
から以下の式によって定まる。
【数１２】
このようにして作成された累積ヒストグラムは、データの古さにしたがって重みが小さくなるように構成されている。このような累積ヒストグラムを移動平均の重みをつけた累積ヒストグラムと呼称する。式（３）においては、全てのインデクスにαを乗じ、インデクス
【数１３】
のみに（１−α）を加算する。実際の計算においては、計算時間を削減するため式（３）を計算せずに直接式（４）を計算する。すなわち、式（４）において、全てのインデクスにαを乗じ、
【数１４】
から
【数１５】
までのインデクスに（１−α）を加算する。さらに実際には、
【数１６】
から
【数１７】
までのインデクスに（１−α）の代わりに指数的に増分した値
【数１８】
を加算することによって、全てのインデクスにαを乗じる処理を避けることができ、さらに計算時間が削減される。しかし、この方法は、
【数１９】
を指数的に増加させる。したがって、
【数２０】
が変数の最大値に近づいた際に、
【数２１】
の大きさを正規化する処理が必要である。
【００３７】
図４のステップＳ０３０において、ノイズパワー推定部３０３は、ｘに相当する累積ヒストグラムのインデクスを以下の式にしたがって求める。
【数２２】
【００３８】
ここで、argminは、 []内の値を最小値とするIであることを意味する。１から
【数２３】
までの全てのインデクスについて式（５）の判定を行なう代わりに、前回検出されたインデクス
【数２４】
から一方向の探索を行なうことによって計算時間が大幅に削減される。
【００３９】
図４のステップＳ０４０において、ノイズパワー推定部３０３は、ノイズパワーの推定値を以下の式にしたがって求める。
【数２５】
【００４０】
図４に示した方法は５個のパラメータを使用する。最小パワーレベル
【数２６】
、１ビンのパワーレベル幅
【数２７】
及び累積ヒストグラムの最大インデクス
【数２８】
は、ヒストグラムの範囲及び急峻度を定める。これらのパラメータは、入力信号の範囲をカバーするように定めれば、ノイズの推定値に影響しない。一般的な値は以下のとおりである。
【数２９】
スペクトル成分の最大レベルは、９６ｄＢ（１Ｐａ）に正規化されるとした。
【００４１】
ｘ及びαは、ノイズ推定値に影響する主要なパラメータである。しかし、パラメータｘは、ノイズパワーのレベルが安定していれば、ノイズパワーの推定値
【数３０】
に敏感ではない。たとえば、図３において、ｘが３０％から７０％の範囲で変化しても、
【数３１】
の値は変化しない。不安定なノイズに対して、ノイズパワーのレベルの範囲の推定レベルを定める。実際には、時間周波数領域において、音声の信号はまばらであるので、音声出現頻度は、ほとんどの場合、ノイズ出現頻度の２０％よりも小さく、この値はＳＮ比及び周波数と無関係である。したがって、パラメータｘは、ＳＮ比または周波数ではなく、推定したいノイズのパワーのレベルのみに従って設定することができる。たとえば、音声出現頻度が２０％であれば、中間値のノイズパワーのレベルに対して、ｘ＝４０を設定し、最大値に対してｘ＝８０を設定する。
【００４２】
時定数
【数３２】
も、ＳＮ比または周波数にしたがって変化させる必要はない。時定数
【数３３】
は、ヒストグラム計算の等価平均時間を制御する。時定数
【数３４】
は、ノイズ及び音声の双方の長さに対して、十分大きい値に設定すべきである。質問及び回答のような一般的な繰り返し対話に対して、ほとんどの音声の発話期間は１０秒よりも小さいので、時定数
【数３５】
の一般的な値は１０秒である。
【００４３】
このように、パラメータをＳＮ比または周波数に関係なく簡単に定めることができるのが本発明の大きな利点である。これに対して、たとえば、従来技術のＭＣＲＡは、ノイズ及び信号を区別するためのしきい値パラメータを必要とし、このパラメータは、周波数によって変化するＳＮ比にしたがって調整する必要がある。
【００４４】
実験
本発明によるノイズパワー推定装置を使用した音声認識装置の性能を確認するための実験について説明する。
【００４５】
１）実験の設定
図５はマイクロフォン及び音源の位置を示す図である。ＳＮ比を制御し、真のノイズレベルを測定するために、ノイズ信号及びインパルス応答を測定し、静かな環境で記録した音声信号とともに入力信号を合成した。インパルス応答は、２台のスピーカ（Ｓ１及びＳ２）とともに、人間型ロボットの頭部に埋め込まれたマイクロフォンを使用して測定した。音源信号としてＡＴＲ（国際電気通信基礎技術研究所）が作成したＡＴＲ音素バランス単語（２１６語）から抽出した音声信号を使用した。このＡＴＲ音素バランス単語は、それぞれのスピーカの２１６語を含む。定常ノイズとしてロボットノイズ（主にファンノイズ）を使用し、非定常ノイズとして音楽信号を使用した。全ての実験は、時間周波数領域で実施された。本発明の有効性を示すために、従来のＭＣＲＡ法と比較した。
【００４６】
表１は、音検出部１００、本発明の実施形態による繰り返しノイズパワー推定部２００及び従来のＭＣＲＡ法のパラメータを示す。ＭＣＲＡ法のパラメータは、ＭＣＲＡ法の原論文（I. Cohen and B. Berdugo, “Speech enhancement for non-stationary noise environments,” Signal Processing, vol.81,pp.2403-2481,2001.）に記載されたものと同じである。
【表１】
【００４７】
２）実験の結果
図６（ａ）は、定常ノイズに対するノイズ推定誤差を示す図である。図６（ａ）の横軸は時間（単位は秒）を示し、縦軸はノイズ推定誤差（単位はｄＢ）を示す。図６（ａ）の実線は、本実施形態の繰り返しノイズパワー推定部による結果を示し、点線は、ＭＣＲＡによる結果を示す。
【００４８】
図６（ｂ）は、非定常ノイズに対するノイズ推定誤差を示す図である。図６（ｂ）の横軸は時間（単位は秒）を示し、縦軸はノイズ推定誤差（単位はｄＢ）を示す。図６（ｂ）の実線は、本実施形態の繰り返しノイズパワー推定部による結果を示し、点線は、ＭＣＲＡによる結果を示す。
【００４９】
図６（ａ）に示す定常ノイズの場合は、１秒経過後は、本実施形態による推定誤差もＭＣＲＡによる推定誤差も小さく両者の差はほとんどない。しかし、図６（ｂ）に示す非定常ノイズに対して、本実施形態の推定誤差は、ＭＣＲＡの推定誤差よりも２乃至５ｄＢ低く、本実施形態の収束速度は、ＭＣＲＡの収束速度よりも大きい。これらの結果から、本実施形態の繰り返しノイズパワー推定部によるノイズ推定は、ＭＣＲＡを使用したノイズ推定よりもノイズの環境変化に対してロバストであると判断される。
【００５０】
本実施形態の繰り返しノイズパワー推定部をロボット音処理システム（K. Nakadai, et.al., “An open source software system for robot audition HARK and its evaluation,” in 2008 IEEE-RAS Int’l. Conf. on Humanoid Robots (Humanoids2008).IEEE, 2008.）によって評価した。上記音処理システムは、音源位置特定と、音声活動検出と、音声強調を統合したものである。ＡＴＲ２１６単語及び自動音声認識用のJulius（A. Lee, et. al., “Julius-an open source real-time large vocabulary recognition engine,” in 7th European Conf. on Speech Communication and Technology, 2001, vol.3,pp.1691-1694.）を使用し、評価基準に語正答率（word correct rate, WCR）を使用した。自動音声認識の音モデルは、大きなデータ・コーパス日本語新聞記事文章（ＪＮＡＳ）に適用されたＧＳＳ−ＡＳのみを使用して強調した音声を使用してトレーニングした。ベース・システム、ＭＣＲＡシステム及び本実施形態のシステムの３システムについて評価を行なった。線形プロセスであるＧＳＳ−ＡＳは、全てのシステムに適用される。ベース・システムは、非線形音声強調処理を含まないシステムである。ＭＣＲＡシステムは、スペクトル減算（ＳＳ）及びＭＣＲＡに基づく非線形音声強調処理を使用するシステムである。本実施形態のシステムは、図１に示したシステムである。公正に比較を行なうために、ＭＣＲＡに対して推定されたノイズパワーを拡大するゲインパラメータＧを導入した。その他のパラメータは表１に示したものと同じである。実験的に定めた最良のパラメータとして、本実施形態に対してｘ＝２０％、ＭＣＲＡに対してＧ＝０．４を使用した。
【００５１】
表２はノイズ条件を示す表である。ファン（定常ノイズ）及び音楽（非定常ノイズ）の２個のノイズタイプに対して、ＷＣＲを評価した。音声用及びノイズ用スピーカの位置は、図５に示すとおりである。
【表２】
入力データは２３６個の独立した発話であり、推定されるノイズは発話ごとに初期化した。ロボットシステムは、新たなスピーカが現れたときに新たな推定を行い、そのスピーカが消えたときに初期化を行なうので、スピーカが頻繁に変わる動的な環境が生成されたと考える。
【００５２】
図７は、それぞれのノイズ条件の下での３システムによるＷＣＲを示す図である。図７の横軸はノイズ条件を表し、縦軸はＷＣＲ［％］を表す。本実施形態のシステムは、ファン（定常ノイズ）及び音楽（非定常ノイズ）に対して、ベース・システム及びＭＣＲＡシステムよりも高いＷＣＲを示す。
【符号の説明】
【００５３】
１００…音検出部、２００…音源分離部、３００…繰り返しノイズパワー推定部、４００…スペクトル減算部、５００…音特徴抽出部、６００…音声認識部
【特許請求の範囲】
【請求項１】
周波数スペクトルの成分ごとのノイズパワーを推定するノイズパワー推定装置であって、
横軸がパワーの大きさのインデクスであり縦軸が累積頻度である、指数移動平均の重みをつけた累積ヒストグラムを、時系列入力信号の周波数スペクトルの成分ごとに生成する累積ヒストグラム生成部と、
該時系列入力信号の周波数スペクトルの成分ごとに、該累積ヒストグラムからノイズパワーの推定値を求めるノイズパワー推定部と、を備えたノイズパワー推定装置。
【請求項２】
前記ノイズパワー推定部が、前記累積ヒストグラムにおいて累積頻度の最大値に対する所定の比率の累積頻度に対応するパワーの大きさをノイズパワーの推定値とする請求項１に記載のノイズパワー推定装置。
【請求項３】
周波数スペクトルの成分ごとに、請求項１または２に記載のノイズパワー推定装置によって求めたノイズパワーの推定値を使用してスペクトル減算を行う音声認識装置。
【請求項４】
周波数スペクトルの成分ごとのノイズパワーを推定するノイズパワー推定方法であって、
累積ヒストグラム生成部が、横軸がパワーの大きさのインデクスであり縦軸が累積頻度である、指数移動平均の重みをつけた累積ヒストグラムを、時系列入力信号の周波数スペクトルの成分ごとに生成するステップと、
ノイズパワー推定部が、該時系列入力信号の周波数スペクトルの成分ごとに、該累積ヒストグラムからノイズパワーの推定値を求めるステップと、を含み、
上記二つのステップを繰り返すことによって連続的にノイズパワーを推定するノイズパワー推定方法。
【請求項５】
前記ノイズパワー推定部が、前記累積ヒストグラムにおいて累積頻度の最大値に対する所定の比率の累積頻度に対応するパワーの大きさをノイズパワーの推定値とする請求項４に記載のノイズパワー推定方法。
【請求項６】
周波数スペクトルの成分ごとに、請求項４または５に記載のノイズパワー方法によって求めたノイズパワーの推定値を使用してスペクトル減算を行うステップを含む音声認識方法。
【請求項１】
周波数スペクトルの成分ごとのノイズパワーを推定するノイズパワー推定装置であって、
横軸がパワーの大きさのインデクスであり縦軸が累積頻度である、指数移動平均の重みをつけた累積ヒストグラムを、時系列入力信号の周波数スペクトルの成分ごとに生成する累積ヒストグラム生成部と、
該時系列入力信号の周波数スペクトルの成分ごとに、該累積ヒストグラムからノイズパワーの推定値を求めるノイズパワー推定部と、を備えたノイズパワー推定装置。
【請求項２】
前記ノイズパワー推定部が、前記累積ヒストグラムにおいて累積頻度の最大値に対する所定の比率の累積頻度に対応するパワーの大きさをノイズパワーの推定値とする請求項１に記載のノイズパワー推定装置。
【請求項３】
周波数スペクトルの成分ごとに、請求項１または２に記載のノイズパワー推定装置によって求めたノイズパワーの推定値を使用してスペクトル減算を行う音声認識装置。
【請求項４】
周波数スペクトルの成分ごとのノイズパワーを推定するノイズパワー推定方法であって、
累積ヒストグラム生成部が、横軸がパワーの大きさのインデクスであり縦軸が累積頻度である、指数移動平均の重みをつけた累積ヒストグラムを、時系列入力信号の周波数スペクトルの成分ごとに生成するステップと、
ノイズパワー推定部が、該時系列入力信号の周波数スペクトルの成分ごとに、該累積ヒストグラムからノイズパワーの推定値を求めるステップと、を含み、
上記二つのステップを繰り返すことによって連続的にノイズパワーを推定するノイズパワー推定方法。
【請求項５】
前記ノイズパワー推定部が、前記累積ヒストグラムにおいて累積頻度の最大値に対する所定の比率の累積頻度に対応するパワーの大きさをノイズパワーの推定値とする請求項４に記載のノイズパワー推定方法。
【請求項６】
周波数スペクトルの成分ごとに、請求項４または５に記載のノイズパワー方法によって求めたノイズパワーの推定値を使用してスペクトル減算を行うステップを含む音声認識方法。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【公開番号】特開２０１２−８８４０４（Ｐ２０１２−８８４０４Ａ）
【公開日】平成２４年５月１０日（２０１２．５．１０）
【国際特許分類】
【出願番号】特願２０１０−２３２９７９（Ｐ２０１０−２３２９７９）
【出願日】平成２２年１０月１５日（２０１０．１０．１５）
【出願人】（０００００５３２６）本田技研工業株式会社 (23,863)
【Ｆターム（参考）】
【公開日】平成２４年５月１０日（２０１２．５．１０）
【国際特許分類】
【出願日】平成２２年１０月１５日（２０１０．１０．１５）
【出願人】（０００００５３２６）本田技研工業株式会社 (23,863)
【Ｆターム（参考）】
[ Back to top ]