仮音声区間決定装置、方法、プログラム及びその記録媒体、音声区間決定装置
【課題】音声区間非音声区間の仮判定の精度を上げることによって、最終的な音声区間非音声区間の判定の精度を上げることを目的とする。
【解決手段】入力された音声信号からフレーム毎に音声パラメータを計算する。上記音声パラメータを予め定められたフレーム数分だけ遅延バッファに蓄積する。上記音声パラメータから、その音声パラメータに係るフレームが、音声区間に属するか非音声区間に属するかを仮に決定する。上記決定された、音声区間に属するか非音声区間に属するかについての仮の情報（以下、仮ＶＡＤフラグとする。）を、予め定められたフレーム数分だけＶＡＤフラグバッファに蓄積する。ＶＡＤフラグバッファに蓄積された仮ＶＡＤフラグを、上記遅延バッファから読み出した音声パラメータの経時的変化を観測し、予め定めた規則に基づいて過去に遡って修正する。上記修正された仮ＶＡＤフラグを出力する。
【解決手段】入力された音声信号からフレーム毎に音声パラメータを計算する。上記音声パラメータを予め定められたフレーム数分だけ遅延バッファに蓄積する。上記音声パラメータから、その音声パラメータに係るフレームが、音声区間に属するか非音声区間に属するかを仮に決定する。上記決定された、音声区間に属するか非音声区間に属するかについての仮の情報（以下、仮ＶＡＤフラグとする。）を、予め定められたフレーム数分だけＶＡＤフラグバッファに蓄積する。ＶＡＤフラグバッファに蓄積された仮ＶＡＤフラグを、上記遅延バッファから読み出した音声パラメータの経時的変化を観測し、予め定めた規則に基づいて過去に遡って修正する。上記修正された仮ＶＡＤフラグを出力する。
【発明の詳細な説明】
【技術分野】
【０００１】
この発明は、無音信号を含む複数の信号が含まれた混合信号から、音声信号や音響信号（以下、音声信号とする。）などの目標信号が含まれている区間を決定するための装置、方法、プログラム及びその記録媒体に関する。
【背景技術】
【０００２】
音声信号を、フレームと呼ばれる例えば１０ｍｓ〜２０ｍｓの一定時間毎の信号に区切り、音声符号化の手法を用いて音声パケットに変換し、パケット通信網を介して通信するサービス（以下、音声パケット通信とする。）が普及しつつある。
特許文献１に、音声パケット通信を用いて、多地点で音声会議を行う装置と方法が記載されている。特許文献１に記載されている音声パケット送信部１０の構成例を図１２に示す。音声パケット送信部１０には、フレームと呼ばれる一定時間毎に区切られた音声信号が入力音声として入力され、音声波形符号化部１１において音声符号化の手法を用いて入力音声を音声符号に変換するとともに、音声区間決定部１２において、入力音声を分析し、当該フレームが音声区間に属するか非音声区間に属するかの情報（以下、ＶＡＤフラグとする。）を決定し、パケット構成部１３において、音声符号とＶＡＤフラグを１つの音声パケットに組み込んで送出している。
【０００３】
特許文献１において、ＶＡＤフラグを音声符号とともに送信しているのは、受信側すなわち多地点ミキシングサーバにおいて、ＶＡＤフラグを参照して、各地点で発話中であるか、そうでないかを判断し、時々刻々、どの地点が主たる発言者であるのかの自動判定に基づくミキシング処理を行うためである。このとき、送信側において音声／非音声判定を誤り、間違ったＶＡＤフラグを送信すると、多地点接続サーバにおける主たる発言者の自動判定にも誤りが生じ、多地点接続サーバで生成されるミキシング音声の品質が劣化するという問題がある。
音声区間決定部１２の構成例を図１３に示す。音声区間決定部１２は、パラメータ計算部２０、仮判定部２１、統計量計算部２２、閾値決定部２４、比較部２５を有する。また、図１４に、音声区間決定部１２の処理の流れを例示する。
【０００４】
まず、パラメータ計算部２０は、入力音声からパワーやピッチ相関等の音声パラメータを計算して、仮判定部２１、統計量計算部２２、比較部２５に出力する（ステップＳ８１）。
仮判定部２１は、予め定められた固定閾値（無音閾値Ａ１、有声音閾値Ｂ１、無声音閾値Ｃ１）と計算された音声パラメータとを用いて、入力音声フレームが音声区間であるか非音声区間であるかの仮判定を行う（ステップＳ８２）。
【０００５】
図３は、仮判定部２１における処理のフローチャート例である。まず、パワーを無音閾値Ａ１と比較し、パワーが無音閾値Ａ１未満であれば非音声区間と判定する（ステップＳ２１）。パワーが無音閾値Ａ１未満でない場合は、ピッチ相関の値を有声音閾値Ｂ１と比較し、ピッチ相関が有声音閾値Ｂ１より大であれば音声区間と判定する（ステップＳ２２）。ピッチ相関が有声音閾値Ｂ１より大でない場合は、ピッチ相関の値を無声音閾値Ｃ１と比較し、ピッチ相関が無声音閾値Ｃ１未満であれば非音声区間と判定する（ステップＳ２３）。ピッチ相関が無声音閾値Ｃ１未満でない場合は、不明と判定する（ステップＳ２３）。仮判定では不明区間があってもよい。
統計量計算部２２は、仮判定部２１で判定された音声／非音声区間の判定に基づいて、音声区間と非音声区間それぞれの平均パワーを計算する。
閾値決定部２４は、音声区間と非音声区間それぞれの平均パワーから、音声／非音声判定のための動的閾値を決定する（例えば、特許文献１参照。）（ステップＳ８３）。
比較部２５は、音声パラメータと、上記音声／非音声判定のための動的閾値を比較して、最終的にそのフレームが音声区間であるか非音声区間であるかの判定を行い、その結果（ＶＡＤフラグ）を出力する。最終的な判断では、区間不明は認められず、必ず音声区間か非音声区間のいずれかに判定する（ステップＳ８４）。
【０００６】
まとめると、上記記載された装置・方法は、まず、固定閾値で明らかに音声区間、非音声区間とわかるフレームについては判定を行い、その判定結果を用いて、音声区間の信号レベル、非音声区間の信号レベルを推定し（判定の難しいフレームは不明のままにする）、推定された音声区間、非音声区間のそれぞれの信号レベルから動的な閾値を決めて、最終的にすべてのフレームを、音声区間、非音声区間いずれかに振り分けるという２段階の処理をしている。
【特許文献１】特開２００５−２２９２５９号公報
【発明の開示】
【発明が解決しようとする課題】
【０００７】
背景技術に記載された２段階の処理を行う装置・方法は、固定閾値のみで最終的な音声区間、非音声区間を決めてしまうのに比べれば精度が高いといえるが、上記装置・方法で最終的に推定される音声区間、非音声区間の信号レベルはあくまでも近似でしかない。
なぜなら、仮判定部２１は、予め定められた固定閾値のみから、音声区間、非音声区間の仮判定を行っており、その判定精度が必ずしも高くはない。このため、仮判定部２１における音声区間、非音声区間の仮判定の精度が低い場合には、各区間の信号レベルを正確に測定することはできないし、各区間の信号レベルを正確に測定できなければ最終的な音声区間、非音声区間の判定精度を上げることができないからである。
本発明は、仮判定の精度を上げることを目的とする。また、仮判定の精度を上げることによって、最終的な音声区間、非音声区間の判定の精度を上げることを目的とする。
【課題を解決するための手段】
【０００８】
本発明は、入力された音声信号からフレーム毎に音声パラメータを計算する。上記音声パラメータを、予め定められたフレーム数分だけ遅延バッファに蓄積する。上記音声パラメータから、その音声パラメータに係るフレームが、音声区間に属するか非音声区間に属するかを仮に決定する。上記決定された、音声区間に属するか非音声区間に属するかについての仮の情報（以下、仮ＶＡＤフラグとする。）を、予め定められたフレーム数分だけＶＡＤフラグバッファに蓄積する。ＶＡＤフラグバッファに蓄積された仮ＶＡＤフラグを、上記遅延バッファから読み出した音声パラメータの経時的変化を観測することにより、予め定めた規則に基づいて修正する。上記修正された仮ＶＡＤフラグを出力する。
望ましくは、さらに、上記修正された仮ＶＡＤフラグによって、音声区間に属すると決定されたフレーム及び／又は非音声区間に属すると決定されたフレームから、音声区間に属するか非音声区間に属するかを決定するための動的閾値を所定の時間間隔ごとに計算する。上記計算された動的閾値と、あるフレームについての上記音声パラメータとを比較することによって、その音声パラメータに係るフレームが音声区間に属するか非音声区間に属するかを最終的に決定する。
【発明の効果】
【０００９】
リアルタイム通信における利用では、最終的な音声区間、非音声区間の判定は、フレーム音声が入力されたら即座に実時間で（フレームの時間長以内の時間で）決定されなければならない。しかしながら、仮判定は音声区間、非音声区間のそれぞれの信号レベルを推定するためだけのものであるから、厳密なリアルタイム性は要求されない。本発明は、この仮判定に厳密なリアルタイム性が要求されないことに着目している。
具体的には、上記遅延バッファから読み出した音声パラメータの経時的変化を観測して、過去に遡って仮ＶＡＤフラグを適切なものに修正することによって、仮判定の精度を向上している。また、その結果として、最終的な判定精度の向上が可能となった。
【発明を実施するための最良の形態】
【００１０】
図１と図２を参照して、本発明による音声区間決定装置１２０の説明をする。図１は、音声区間決定装置１２０の機能構成を例示する図である。図２は、音声区間決定装置１２０の処理の流れを例示する図である。
音声区間決定装置１２０は、パラメータ計算部２０、仮判定部２１、統計量計算部２２、閾値決定部２４、比較部２５、遅延バッファ２６、ＶＡＤフラグバッファ２７、ＶＡＤフラグバッファ修正処理指示部２８を有する。なお、本明細書、特許請求の範囲では、パラメータ計算部２０、仮判定部２１、遅延バッファ２６、ＶＡＤフラグバッファ２７、ＶＡＤフラグバッファ修正処理指示部２８を、仮音声区間決定装置３０とする。また、本明細書、特許請求の範囲では、統計量計算部２２と閾値決定部２４を合わせて、動的閾値決定部２９と呼ぶことにする。音声区間決定装置１２０は、遅延バッファ２６、ＶＡＤフラグバッファ２７、ＶＡＤフラグバッファ修正処理指示部２８を有する点で、背景技術による音声区間決定部１２とは異なる。
【００１１】
パラメータ計算部２０は、入力された音声信号から、パワーやピッチ相関等の音声パラメータをフレームごとに計算する（ステップＳ１）。本明細書、特許請求の範囲においては、音声信号とは、音声信号と音響信号を含む概念とする。計算された音声パラメータは、仮判定部２１、比較部２５、遅延バッファ２６にそれぞれ出力される。以下では、パラメータ計算部２０が、音声パラメータとしてパワーとピッチ相関の両方を計算する例を挙げて音声区間決定装置１２０を説明する。なお、パラメータ計算部２０は、仮判定部２１、比較部２５、統計量計算部２２が用いる音声パラメータを少なくとも計算すればよい。すなわち、仮判定部２１、比較部２５、統計量計算部２２がパワーとピッチ相関の一方のみを用いる場合には、パラメータ計算部２０は、その一方の音声パラメータを計算すればよい。このように、本発明のパラメータ計算部２０は、計算する音声パラメータの種類は問わない。
【００１２】
遅延バッファ２６には、パラメータ計算部２０で計算された音声パラメータが、予め定められたフレーム数分だけ蓄積される。予め定められたフレーム数を超えて新しい音声パラメータが蓄積されると、フレーム番号の最も古い音声パラメータは遅延バッファ２６から削除される。後述するように、遅延バッファ２６は、統計量計算部２２又はＶＡＤフラグバッファ修正処理指示部２８からの読み出し命令を受けて、遅延バッファに保存された音声パラメータを統計量計算部２２又はＶＡＤフラグバッファ修正処理指示部２８に出力する。
仮判定部２１は、パラメータ計算部２０で計算された音声パラメータを用いて、その音声パラメータに係るフレームが、音声区間に属するか、非音声区間に属するか、属する区間が不明であるかを仮に決定する（ステップＳ２）。本明細書、特許請求の範囲においては、フレームが、音声区間に属するか、非音声区間に属するか、属する区間が不明であるかどうかについての情報を、仮ＶＡＤフラグとする。この仮ＶＡＤフラグは、ＶＡＤフラグバッファ２７に格納される。仮判定部２１の処理は、背景技術で説明した仮判定部２１の処理と同様でよい。すなわち、図３に示されたフローチャートの処理を実行すればよい。
【００１３】
具体的には、仮判定部２１は、パラメータ計算部２０で計算されたパワーを、予め定めた無音閾値Ａ１と比較し、パワーが無音閾値Ａ１未満であれば非音声区間と判定する（ステップＳ２１）。パワーが無音閾値Ａ１未満でない揚合は、ピッチ相関の値を予め定めた有声音閾値Ｂ１と比較し、パラメータ計算部２０で計算されたピッチ相関が有声音閾値Ｂ１より大であれば音声区間と判定する（ステップＳ２２）。ピッチ相関が有声音閾値Ｂ１より大でない場合は、ピッチ相関の値を無声音閾値Ｃ１と比較し、ピッチ相関が無声音閾値Ｃ１未満であれば非音声区間と判定する（ステップＳ２３）。ピッチ相関が無声音閾値Ｃ１未満でない場合は、不明と判定する（ステップＳ２３）。このようにして、仮判定部２１は、音声区間に属するか非音声区間に属するかを仮に決定する。
なお、本明細書、特許請求の範囲においては、原則として、「未満」とは、「以下」の概念を包括するものとする。すなわち、ＡはＢ未満（Ａ＜Ｂ）であると言った場合には、ＡがＢ未満（Ａ＜Ｂ）であっても、ＡがＢ以下（Ａ≦Ｂ）であってもよいものとする。同様に「より上」とは、「以上」の概念を包括するものとする。
【００１４】
仮判定部２１の仮判定では、音声区間、非音声区間が不明である不明区間があってもよいが、図１３に記載した背景技術による音声区間決定部１２とは違って、本発明による音声区間決定装置１２０では、後述のように仮判定結果である仮ＶＡＤフラグを修正する機会があるので、不明区間ができないように上記閾値Ａ１，Ｂ１，Ｃ１を決めてしまってもよい。例えば、有声音閾値Ｂ１＝無声音閾値Ｃ１とする。また、ステップＳ２２において、ピッチ相関が有声音閾値Ｂ１より大でない場合には、非音声区間と判断し、ステップＳ２３の処理自体を行わなくてもよい。不明区間を生じさせないようにする場合には、音声区間に属するか非音声区間に属するかについての仮の情報が仮ＶＡＤフラグとなる。
なお、仮判定部２１の処理は、上記したものに限られない。実時間で音声区間、非音声区間（必要であれば、さらに不明区間）を判定することができる手法であればどのような方法でもよい。
【００１５】
例えば、図４に示すように、判定の条件（ステップＳ２４、ステップＳ２５）を追加してもよい。つまり、音声区間を判定するための、パワーの閾値とピッチ相関の閾値との組合せが２以上ある場合には、図４に示すように、各組合せごとに、フレームのパワーとピッチ相関がそれぞれ、その組合せに係るパワーの閾値とピッチ相関の閾値よりも大きいかどうかを判定しても良い。図４は、音声区間であると判断することができるパワーの閾値とピッチ相関の閾値の組合せが、（パワーの閾値Ｄ１，ピッチ相関の閾値Ｂ１）と（パワーの閾値Ｅ１，ピッチ相関の閾値Ｆ１）の２つある場合の処理の例である。何れかの組合せにおいて、フレームのパワーとピッチ相関の方が、その組合せに係るパワーの閾値とピッチ相関の閾値よりも大きいとそれぞれ判定された場合には、そのフレームは音声区間と判定される（ステップＳ２４、ステップＳ２５）。図４において、ステップＳ２１とステップＳ２３は、図３のステップＳ２１とステップＳ２３と同様であるため説明を省略する。
【００１６】
ＶＡＤフラグバッファ２７は、仮判定部２１によって決定された仮ＶＡＤフラグを予め定められたフレーム数分蓄積する。また、ＶＡＤフラグバッファ２７は、ＶＡＤフラグバッファ修正処理指示部２８からの指示に従って、蓄積された仮ＶＡＤフラグの中で、仮判定が誤っていると判断されるフレームの仮ＶＡＤフラグを修正する。ＶＡＤフラグバッファに蓄積された仮ＶＡＤフラグバッファは、予め定められたフレーム数に対応する時間経過後に、修正された仮ＶＡＤフラグを統計量計算部２２に送るとともに、送ったフレームの仮ＶＡＤフラグを削除する。
遅延バッファ２６とＶＡＤフラグバッファ２７の蓄積フレーム数は以下のように設定することができる。例えば、フレームの時間長が２０ｍｓである場合には、遅延バッファ２６とＶＡＤフラグバッファ２７の蓄積フレーム数を１〜１００程度（さらに、好ましくは、５０程度）にするとよい。また、例えば、フレームの時間長が１０ｍｓである場合には、遅延バッファ２６とＶＡＤフラグバッファ２７の蓄積フレーム数を１〜２００程度（さらに好ましくは、１００程度）にするとよい。また、別の観点から言及すると、（フレームの時間長）×（蓄積フレーム数）＝０．０２秒〜０．２秒程度になるように、フレームの時間長と蓄積フレーム数とを設定するとよい。なお、遅延バッファ２６とＶＡＤフラグバッファ２７のそれぞれの蓄積フレーム数は同一にするのがよい。
【００１７】
ＶＡＤフラグバッファ修正処理指示部２８は、現フレームの音声パラメータおよび遅延バッファ２６に蓄積された音声パラメータと、予め定めた規則とに基づいて、ＶＡＤフラグバッファ２７に蓄積された仮ＶＡＤフラグの中で判定の誤りのあるものを推定し、ＶＡＤフラグバッファ２７に対して、当該仮ＶＡＤフラグを修正するように指示を与える。すなわち、パラメータ計算部２０が出力した現フレームの音声パラメータと、遅延バッファから読み出した音声パラメータの経時的状態を観測して、ＶＡＤフラグバッファ２７に蓄積された仮ＶＡＤフラグを適切なものに修正する。以下では、ＶＡＤフラグバッファ修正処理指示部２８が、仮ＶＡＤフラグを修正するといった場合には、ＶＡＤフラグバッファ修正処理指示部２８が、仮ＶＡＤフラグを修正する指示をＶＡＤフラグバッファ２７に出し、その指示を受けてＶＡＤフラグバッファ２７が、蓄積された仮ＶＡＤフラグを修正することを意味する。
なお、ＶＡＤフラグバッファ修正処理指示部２８は、現フレームの音声パラメータを用いずに、遅延バッファから読み出した音声パラメータの経時的状態のみを観測して、仮ＶＡＤフラグを適切なものに修正してもよい。
【００１８】
ＶＡＤフラグバッファ修正処理指示部２８が行う処理は、フレーム番号が後の（フレーム番号が大きい、即ち時刻が後の）音声パラメータを観測して、フレーム番号が前の（フレーム番号が小さい、即ち時刻が前の）仮ＶＡＤフラグの正誤を推定し、判定が誤りと判断されれば当該仮ＶＡＤフラグを修正する処理であり、いったん決定された事項を過去に遡って訂正することに相当する。例えば、１，１，３，５，６という数値の時系列があるとする。単純に考えれば、６の次は６よりも大きい７か８がくるように推測されるが、実際に観測を続けると、６の次は５，３，１となり、６の時刻が最大値であったことがわかる、という事例は多い。音声区間、非音声区間の判定も同様であって、後続する音声パラメータのない仮判定の時点では正確に判定できなくても、後続の音声パラメータが得られた時点で判断がつくことが多い。
【００１９】
例えば、パワーの小さいフレームが続いており、あるフレーム（時刻）において、以前よりも少しパワーが大きくなったとする。その時点では、そのパワーが少し大きくなったフレームが、音声区聞の始まりであるのか、単に一瞬のノイズが入っただけなのか判断がつかない。しかし、後続するフレームのパワーを引き続き観測して、急激にパワーの大きいフレームが続いていれば、最初に少しパワーが大きくなったフレームが音声区間の開始点であったと判断できる。また、後続のピッチ相関を観測して、ピッチ相関の値が大きくなったフレームが続けば、最初にパワーが少し大きくなったフレームが子音であった、すなわち音声区間の開始点であったという判断もできる。
逆に、パワーが少し大きくなったフレームの後に、またパワーの小さいフレームが続いた場合は、パワーが少し大きくなったフレームは音声区間ではなく、非音声区間であり、一瞬ノイズが入っただけと判断することが妥当である。
このように、ＶＡＤフラグバッファ修正処理指示部２８は、音声パラメータの状態から音声区区間、非音声区間を判断する基準を複数保持しており、それらの判断基準に照らし合わせて、ＶＡＤフラグバッファ２７内の仮ＶＡＤフラグを修正する処理を行う。以下、ＶＡＤフラグバッファ修正処理指示部２８の具体例について述べる。
【００２０】
≪修正例１≫
ＶＡＤフラグバッファ修正処理指示部２８の一例であるＶＡＤフラグバッファ修正処理指示部２８ａは、図５に記載された処理を行う。ＶＡＤフラグバッファ修正処理指示部２８ａは、仮判定部２１において非音声区間に判定されてしまった過去のフレームでも、現在のフレームｋのピッチ相関値Ｃｋが予め定めた閾値Ａ２よりも大きければ、当該フレームの１フレーム前からＭ１フレーム前までを音声区間に修正する。これにより、音声区間の開始点付近では、パラメータ計算部２０で得られたピッチ相関値が小さくなることがあり、実際には音声区間であるものの、非音声区間に誤ったフレームの判定を修正することができる。ＶＡＤフラグバッファ修正処理指示部２８ａは、図１のＶＡＤフラグバッファ修正処理指示部２８ａに破線で示すように、比較部２８１ａ、制御部２８２ａ、指示部２８３ａを有する。
図５に示すように、比較部２８１ａは、ｋを現在のフレーム番号とし、Ｃｋを現在のフレームにおけるピッチ相関として、予め定めた閾値Ａ２とピッチ相関値Ｃｋとを比較する（ステップＳ３１ａ）。閾値Ａ２は、０．７〜０．９程度にするとよい。予め定めた閾値Ａ２がピッチ相関値Ｃｋ未満でない場合には、仮ＶＡＤフラグの修正処理を行わずにステップＳ３は終了する。
【００２１】
予め定めた閾値Ａ２がピッチ相関値Ｃｋ未満である場合には、そのピッチ相関値に係るフレームの仮ＶＡＤフラグを音声区間に属するという情報に修正する指示を出す（ステップＳ３２ａ〜ステップＳ３４ａ）。まず、ＶＡＤフラグバッファ修正処理指示部２８ａの制御部２８２ａが、ｉ＝１とする（ステップＳ３２ａ）。指示部２８３ａは、ｋ−ｉのフレームの仮ＶＡＤフラグを、音声区間に属するという情報に修正する指示をＶＡＤフラグバッファ２７に出す（ステップＳ３３ａ）。制御部２８２ａは、ｉをインクリメントし、ｉ＝ｉ＋１とする（ステップＳ３４ａ）。制御部２８２ａは、ｉと予め定められた定数Ｍ１を比較し、ｉが予め定められた定数Ｍ１未満である場合にはステップＳ３３ａの処理を行い、そうでない場合にはステップＳ３の処理を終了する（ステップＳ３５ａ）。Ｍ２は１以上であればよいが、１フレームの時間長が２０ｍｓである場合には、５≦Ｍ２≦１０程度にすると望ましい。
【００２２】
上記処理においては、ステップＳ３３ａにおいて、既に音声区間に属するという情報である仮ＶＡＤフラグについても、音声区間に属するという情報で上書き修正を行っている。一方、図５に破線で示すように、ステップＳ３２ａとステップＳ３３ａの間にステップＳ３６ａを設けて、制御部２８２ａが、ｋ−ｉのフレームの仮ＶＡＤフラグが音声区間に属するという情報でないかを判断し、音声区間に属するという情報でない場合には、ステップＳ３３ａの処理を行い、音声区間に属するという情報である場合には、ステップＳ３４ａの処理を行っても良い（ステップＳ３６ａ）。
上記処理においては、ＶＡＤフラグバッファ修正処理指示部２８ａは、ｋを現在のフレームとして仮ＶＡＤフラグの修正の処理を行っている。しかし、遅延バッファ２６とＶＡＤフラグバッファ２７の両方のバッファに格納されているフレームであれば、そのフレームの番号をｋとして、処理を行うことができる。
【００２３】
このように、ＶＡＤフラグバッファ修正処理指示部２８ａは、あるフレームのピッチ相関値が予め定められた値よりも大きい場合には、そのフレームよりも時間的に前の予め定められた数のフレームに係る仮ＶＡＤフラグを、音声区間に属するという情報に修正する。
上記ＶＡＤフラグバッファ修正処理指示部２８ａは、あるフレームの音声パラメータと予め定められた値とを比較して、その比較結果によって、そのフレームよりも時間的に前の予め定められた数のフレームに係る仮ＶＡＤフラグを修正する一例である。
ここで、本明細書、特許請求の範囲において、あるフレーム（以下、フレームＡとする。）よりも時間的に後ろのフレーム（以下、フレームＢとする。）とは、フレームＡよりも時間的に未来のフレームを意味する。すなわち、フレームＡの時刻をａ、フレームＢの時刻をｂとすると、ａ＜ｂとなる。逆に、あるフレーム（以下、フレームＣとする。）よりも時間的に前のフレーム（以下、フレームＤとする。）とは、フレームＣよりも時間的に過去のフレームを意味する。すなわち、フレームＣの時刻をｃ、フレームＤの時刻をｄとすると、ｄ＜ｃとなる。
【００２４】
≪修正例２≫
ＶＡＤフラグバッファ修正処理指示部２８の一例であるＶＡＤフラグバッファ修正処理指示部２８ｂは、図６に記載された処理を行う。ＶＡＤフラグバッファ修正処理指示部２８ｂは、仮判定部２１において非音声区間に判定されてしまった過去のフレームでも、現在のフレームｋのパワーＰｋよりも、ｋ−ｉのフレームのパワーＰｋ−ｉのほうが著しく大きい場合には、ｋ−ｉのフレームの仮ＶＡＤフラグを音声区間に属するという情報に変更するものである。これにより、音声区間の終了点付近で誤って非音声区間と仮判定されてしまった仮ＶＡＤフラグを修正することができる。ＶＡＤフラグバッファ修正処理指示部２８ｂは、図１のＶＡＤフラグバッファ修正処理指示部２８ｂに破線で示すように、比較部２８１ｂ、制御部２８２ｂ、指示部２８３ｂを有する。
【００２５】
図６に示すように、制御部２８２ｂは、ｉ＝１とする（ステップＳ３１ｂ）。比較部２８１ｂは、フレームｋのパワーＰｋに予め定められた定数ａ１をかけた値が、フレームｋ−ｉのパワーＰｋ―ｉとを比較する（ステップＳ３２ｂ）。パワーＰｋに予め定められた定数ａ１をかけた値が、フレームｋ−ｉのパワーＰｋ―ｉ未満である場合には、指示部２８３ｂは、フレームｋ−ｉの仮ＶＡＤフラグを音声区間に属するという情報に修正する（ステップＳ３３ｂ）。その後、制御部２８２ｂは、ｉをインクリメントし、ｉ＝ｉ＋１とする（ステップＳ３４ｂ）。ステップＳ３２ｂにおいて、パワーＰｋに予め定められた定数ａ１をかけた値が、フレームｋ−ｉのパワーＰｋ―ｉ未満でない場合には、ステップＳ３３ｂの処理を跳ばして、ステップＳ３４ｂの処理を行う。制御部２８２ｂは、ｉと予め定められた定数Ｍ２とを比較し、ｉが予め定められた定数Ｍ２未満である場合にはステップＳ３２ｂの処理を行い、そうでない場合にはステップＳ３の処理を終了する（ステップＳ３５ｂ）。ここで、ａ１は、４≦ａ１≦２５程度にするとよい。Ｍ２は１以上であればよいが、１フレームの時間長が２０ｍｓである場合には、５≦Ｍ２≦１０程度にすると望ましい。
【００２６】
上記処理においては、ステップＳ３３ｂにおいて、既に音声区間に属するという情報である仮ＶＡＤフラグについても、音声区間に属するという情報で上書き修正を行っている。一方、図６に破線で示すように、ステップＳ３２ｂとステップＳ３３ｂの間にステップＳ３６ｂを設けて、制御部２８２ｂが、ｋ−ｉのフレームの仮ＶＡＤフラグが音声区間に属するという情報でないかを判断し、音声区間に属するという情報でない場合には、ステップＳ３３ｂの処理を行い、音声区間に属するという情報である場合には、ステップＳ３４ｂの処理を行っても良い（ステップＳ３６ｂ）。
上記処理においては、ＶＡＤフラグバッファ修正処理指示部２８ｂは、ｋを現在のフレームとして仮ＶＡＤフラグの修正の処理を行っている。しかし、遅延バッファ２６とＶＡＤフラグバッファ２７の両方のバッファに格納されているフレームであれば、そのフレームの番号をｋとして、処理を行ってもよい。
【００２７】
このように、ＶＡＤフラグバッファ修正処理指示部２８ｂは、あるフレームのパワーに予め定めた定数をかけた値が、そのフレームよりも時間的に前のフレームのパワー未満である場合には、その時間的に前のフレームに係るＶＡＤフラグを、音声区間に属するという情報に修正する。
ＶＡＤフラグバッファ修正処理指示部２８ａは、あるフレームの音声パラメータと、そのフレームよりも時間的に前のフレームの音声パラメータとを比較して、その比較結果によって、その時間的に前のフレームに係る仮ＶＡＤフラグを修正する一例である。
【００２８】
≪修正例３≫
ＶＡＤフラグバッファ修正処理指示部２８の一例であるＶＡＤフラグバッファ修正処理指示部２８ｃは、図７に記載された処理を行う。ＶＡＤフラグバッファ修正処理指示部２８ｃは、仮判定部２１において音声区間として判定されてしまった過去のフレームでも、その前後のフレームにおけるパワーが、その音声区間に判定されてしまったフレームのパワーよりも著しく小さい場合に、当該フレームを非音声区間に修正するものである。これにより、例えば、プツンといった短時間のノイズが原因で誤って音声区間として判定されてしまったフレームの仮ＶＡＤフラグを修正することができる。ＶＡＤフラグバッファ修正処理指示部２８ｃは、図１のＶＡＤフラグバッファ修正処理指示部２８ｃに破線で示すように、比較部２８１ｃ、制御部２８２ｃ、指示部２８３ｃを有する。
【００２９】
図７に示すように、比較部２８１ｃは、現在のフレームをｋとして、フレームｋ−３のパワーＰｋ−３に予め定められた定数ａ２をかけた値と、フレームｋ−２のパワーＰｋ−２を比較する（ステップＳ３１ｃ）。パワーＰｋ−３に予め定められた定数ａ２をかけた値がパワーＰｋ−２未満である場合には、フレームｋ−１のパワーＰｋ−１に予め定められた定数ａ３をかけた値と、フレームｋ−２のパワーＰｋ−２を比較する（ステップＳ３２ｃ）。パワーＰｋ−１に予め定められた定数ａ３をかけた値がパワーＰｋ−２未満である場合には、フレームｋのパワーＰｋに予め定められた定数ａ４をかけた値と、フレームｋ−２のパワーＰｋ−２を比較する（ステップＳ３３ｃ）。フレームｋのパワーＰｋに予め定められた定数ａ４をかけた値がＰｋ−２未満である場合には、指示部２８３ｃは、フレームｋ−２の仮ＶＡＤフラグを、非音声区間に属するという情報に修正する。ステップＳ３１ｃ〜ステップＳ３３ｃの何れかのステップにおいて、（ｉ，ｊ）＝｛（３，２），（１，３），（０，４）｝として、パワーＰｋ−ｉに予め定められた定数ａｊをかけた値がパワーＰｋ−２未満でないと判断された場合には、ステップＳ３の処理は終了する。ここで、ａｉ（ｉ＝２，３，４）は、４≦ａｉ≦２５程度にするとよい。ａｉの各値は、同一でもよいし、異なっていてもよい。
【００３０】
上記処理においては、ステップＳ３４ｃの処理において、既に非音声区間に属するという情報である仮ＶＡＤフラグについても、非音声区間に属するという情報で上書き修正を行っている。一方、図７に破線で示すように、ステップＳ３３ｃとステップＳ３４ｃの間にステップＳ３５ｃを設けて、制御部２８２ｃが、フレームｋ−ｉの仮ＶＡＤフラグが非音声区間に属するという情報でないかを判断し、非音声区間に属するという情報でない場合には、ステップＳ３４ｃの処理を行い、非音声区間に属するという情報である場合には、ステップＳ３４ｃの処理を行わずにステップＳ３の処理を終了しても良い（ステップＳ３５ｃ）。
上記処理においては、ＶＡＤフラグバッファ修正処理指示部２８ｃは、ｋを現在のフレームとして仮ＶＡＤフラグの修正の処理を行っている。しかし、遅延バッファ２６とＶＡＤフラグバッファ２７の両方のバッファに格納されているフレームであれば、そのフレームの番号をｋとして、処理を行ってもよい。
【００３１】
上記処理では、あるフレーム（ｋ−２）のひとつ前のフレーム（ｋ−３）と、そのあるフレーム（ｋ−２）よりも１つ後ろのフレーム（ｋ−１）と、２つ後ろのフレーム（ｋ）に係る各音声パラメータを観測して、仮ＶＡＤフラグバッファの修正を行っている。しかし、あるフレームよりも時間的に前の予め定められたα個のフレームと、そのあるフレームよりも時間的に後ろの予め定められたβ個のフレームに係る各音声パラメータを観測して、上記と同様にして仮ＶＡＤフラグバッファの修正を行っても良い。すなわち、上記α個とβ個の各フレームのパワーにそのフレーム毎に予め定められた定数をかけた値と、そのあるフレームのパワーとをそれぞれ比較し、そのあるフレームのパワーの方がすべて大きいと判断された場合には、そのあるフレームの仮ＶＡＤフラグを非音声区間に属するという情報に修正する。
このように、ＶＡＤフラグバッファ修正処理指示部２８ｃは、そのフレームよりも時間的に前の予め定められた数の各フレームのパワーに予め定めた各定数をかけた値の何れよりも大きく、かつ、そのフレームよりも時間的に後の予め定められた数の各フレームのパワーに予め定められた各定数をかけた値の何れよりも大きい場合に、上記あるフレームに係る仮ＶＡＤフラグを、非音声区間に属するという情報に修正する手段である。
【００３２】
上記ＶＡＤフラグバッファ修正処理指示部２８ｃは、あるフレームの音声パラメータと、そのフレームよりも時間的に前の予め定められた数の各フレームの音声パラメータ及びそのフレームよりも時間的に後の予め定められた数の各フレームの音声パラメータとを比較して、その比較結果によって、上記あるフレームに係る仮ＶＡＤフラグを修正する一例である。
また、ＶＡＤフラグバッファ修正処理指示部２８ｃは、連続するγ個のフレームの各パワーの平均値を求め、その平均値が、それらの連続するγ個のフレームよりも時間的に前の予め定められたα個の各フレームにフレーム毎に予め定められた定数をかけた値のいずれよりも大きく、かつ、それら連続するγ個のフレームよりも時間的に後ろの予め定められたβ個の各フレームにフレーム毎に予め定められた定数をかけた値のいずれよりも大きい場合に、それらの連続するγ個のフレームの仮ＶＡＤフラグを、非音声区間に属するという情報に修正してもよい。ここで、１フレームの長さが２０ｍｓである場合には、γを２〜３程度にするとよい。
【００３３】
すなわち、ＶＡＤフラグバッファ修正処理指示部２８ｃは、あるフレームのパワーと、そのフレームと時間的に前後する少なくとも１つのフレームのパワーとの平均値が、それらのフレームよりも時間的に前の予め定められた数の各フレームのパワーに予め定めた各定数をかけた値の何れよりも大きく、かつ、それらのフレームよりも時間的に後の予め定められた数の各フレームのパワーに予め定められた各定数をかけた値の何れよりも大きい場合に、上記あるフレームと上記そのフレームと時間的に前後する少なくとも１つのフレームとに係るＶＡＤフラグをそれぞれ非音声区間に属するという情報に修正してもよい。
上記説明したように、仮判定部２１から出力された仮ＶＡＤフラグは、ＶＡＤフラグバッファ２７に予め定めたフレーム数分だけ蓄積され、必要であればＶＡＤフラグバッファ修正処理指示部２８による修正を受けた後に、修正された仮ＶＡＤフラグとして、統計量計算部２２に出力される。
このＶＡＤフラグバッファ修正処理指示部２８ｃは、あるフレームの音声パラメータと、そのフレームと時間的に前後する少なくとも１つのフレームの音声パラメータとの平均値を、それらのフレームよりも時間的に前の予め定められた数の各フレームの音声パラメータ及びそれらのフレームよりも時間的に後の予め定められた数の各フレームの音声パラメータと比較して、その比較結果によって、上記あるフレームと上記そのフレームと時間的に前後する少なくとも１つのフレームとに係る仮ＶＡＤフラグを修正する一例である。
【００３４】
動的閾値決定部２９（統計量計算部２２と閾値決定部２４）は、ＶＡＤフラグバッファ２７から出力された修正された仮ＶＡＤフラグによって、音声区間に属すると決定されたフレーム及び／又は非音声区間に属すると決定されたフレームから、音声区間に属するか非音声区間に属するかを決定するための動的閾値を所定の時間間隔ごとに計算する（ステップＳ４）。以下に説明する例では、音声区間に属するフレームの統計量と非音声区間に属するフレームの統計量の両方を用いているが、一方のみを用いて音声区間、非音声区間の決定をしてもよい。
動的閾値決定部２９の統計量計算部２２と閾値決定部２４の処理は、背景技術に記載したものと同様でよい。すなわち、統計量計算部２２は、仮判定部２１で判定された音声／非音声区間の判定に基づいて、音声区間と非音声区間それぞれの平均パワーを計算する。閾値決定部２４は、音声区間と非音声区間それぞれの平均パワーから、例えば特許文献１に記載されたのと同様の方法で音声／非音声判定のための動的閾値を決定してもよい。決定された動的閾値は、比較部２５に出力される。ここで「平均パワー」とは、音声区間に属するフレームのパワーの平均値及び非音声区間に属するフレームのパワーの平均値である。
【００３５】
動的閾値決定部２９の統計量計算部２２は、平均パワー以外の統計量を計算してもよい。例えば、ピッチ相関値を計算してもよい。また、一定の観測時間における、音声区間に属するフレームのパワーの最小値、非音声区間に属するフレームのパワーの最大値を求めてもよい。一定の観測時間とは、例えば、２秒前後であり、１フレームの長さが２０ｍｓである場合には、約１００フレームが一定の観測時間となる。また、音声区間に属するフレームのパワーの標準偏差及び／又は分散や、非音声区間に属するフレームのパワーの標準偏差及び／又は分散を統計量として求めてもよい。平均パワー以外の統計量を用いる場合も、閾値決定部２４は、上記計算された統計量から、音声区間、非音声区間を判定するための動的閾値を決定して、その決定された動的閾値を比較部２５に出力する。
動的閾値決定部２９による動的閾値の更新頻度は、求める音声区間の判定精度、ハードウェアの性能や規模に依存する。すなわち、音声区間の判定精度を最も高くする場合には、動的閾値は毎フレームごとに更新するとよい。しかし、本発明が実装されるハードウェアの性能が低く、又は、その規模が小さい場合には、動的閾値の更新頻度を下げてもよい。具体的には、約０．１秒〜０．５秒毎に動的閾値は更新される。
【００３６】
比較部２５は、上記動的閾値決定手段によって計算された動的閾値と、現フレームについての上記音声パラメータとを比較することによって、そのフレームが音声区間に属するか非音声区間に属するかを実時間で最終的に決定する（ステップＳ５）。最終的な判断では、区間不明は認められず、必ず音声区間か非音声区間のいずれかに決定される。フレームが音声区間に属するか非音声区間に属するかの決定についての情報は、ＶＡＤフラグとして、比較部２５及び音声区間決定装置１２０から出力される。
なお、比較部２５は、現フレーム以外のフレームについて、つまり、任意の時刻におけるフレームについて音声区間、非音声区間の判断をしてもよい。また、実時間性が求められていない場合には、実時間で音声区間、非音声区間の判断をしなくてもよい。さらに、比較部２５が出力したＶＡＤフラグを基にして、他の音声区間、非音声区間決定装置（音声区間決定装置１２０を含む。）を用いてより精度の良い音声区間、非音声区間の決定をしてもよい。
【００３７】
以下に、動的閾値決定部２９と比較部２５の一例として、動的閾値決定部２９ａ（統計量計算部２２ａと閾値決定部２４ａ）と比較部２５ａ、動的閾値決定部２９ｂ（統計量計算部２２ｂと閾値決定部２４ｂ）と比較部２５ｂについてそれぞれ説明をする。まず、図８を参照して、動的閾値決定部２９ａ（統計量計算部２２ａと閾値決定部２４ａ）と比較部２５ａについて説明をする。図８は、比較部２５ａの処理の流れを例示する図である。
動的閾値決定部２９ａの統計量計算部２２ａは、ＶＡＤフラグバッファ２７が出力した修正された仮ＶＡＤフラグと、遅延バッファ２６が出力した音声パラメータとを用いて、音声区間に属するフレームのパワーの平均値（以下、平均値Ａとする。）と、非音声区間に属するフレームのパワーの平均値（以下、平均値Ｂとする。）とをそれぞれ計算して、閾値決定部２４ａに出力する。
動的閾値決定部２９ａの閾値決定部２４ａは、上記平均値Ａを予め定められた正の定数ａで割った値（以下、動的閾値Ａとする。）と、上記平均値Ｂに予め定められた正の定数ｂをかけた値（以下、動的閾値Ｂとする。）とを計算して、比較部２５ａに出力する。すなわち、閾値決定部２４ａは、音声区間のパワーの平均値Ａ×（１／ａ）を計算して動的閾値Ａとし、非音声区間のパワーの平均値Ｂ×ｂを計算して動的閾値Ｂとする。正の定数ａとｂは、異なる値で予め実験をし、音声区間、非音声区間の精度が最も高くなるように定める。経験上、正の定数ａとｂはそれぞれ２〜１０程度の値であるとよい。
【００３８】
比較部２５ａは、あるフレームのパワーが動的閾値Ａ未満であるかどうかを判断する（ステップＳ５１ａ）。そのフレームのパワーが動的閾値Ａ未満であれば、そのフレームは非音声区間であると判定する。そうでない場合には、そのフレームのパワーが動的閾値Ｂ未満であるかどうかを判断する（ステップＳ５２ａ）。そのフレームのパワーが動的閾値Ｂ未満であれば、そのフレームは非音声区間であると判定する。そうでない場合には、そのフレームは音声区間に属すると判定する。すなわち、比較部２５ａは、フレームのパワーが、上記動的閾値Ａが未満でなく、かつ、上記動的閾値Ｂが未満でない場合に、そのフレームは音声区間に属すると決定し、それ以外の場合には、そのフレームは非音声区間に属すると判断する。
上記説明した動的閾値決定部２９ａは、音声パラメータとしてパワーを用いているが、音声パラメータとして、ピッチ相関を用いて、上記と同様の処理を行っても良い。すなわち、統計量計算部２２ａが、修正された仮ＶＡＤフラグによって音声区間に属すると決定されたフレームのピッチ相関の平均値（以下、平均値Ａ’とする。）と、修正された仮ＶＡＤフラグによって非音声区間に属すると決定されたフレームのピッチ相関の平均値（以下、平均値Ｂ’とする。）とを計算する。閾値決定部２４ａが、上記平均値Ａ’を予め定められた正の定数ａ’で割った値（以下、動的閾値Ａ’とする。）と、上記平均値Ｂ’に予め定められた正の定数ｂ’をかけた値（以下、動的閾値Ｂ’とする。）とを計算する。図９に示すように、比較部２５ａが、フレームのピッチ相関が、上記動的閾値Ａ’が未満でなく（ステップＳ５１ｃ）、かつ、上記動的閾値Ｂ’が未満でない場合に（ステップＳ５２ｃ）、そのフレームは音声区間に属すると決定し、それ以外の場合には、そのフレームは非音声区間に属すると最終的に決定してもよい。この場合の定数ａ’と定数ｂ’は、音声パラメータとしてパワーを用いる場合とは、異なる定数であってよい。
ここで、本明細書、特許請求の範囲において、ＡをＢで割るとは、Ａに、１をＢで割った値（１／Ｂ）をかけることを含むことにする。
【００３９】
また、上記説明した音声パラメータとして、パワーとピッチ相関の両方を用いる方法を組み合わせてもよい。すなわち、動的閾値決定部２９ａが、上記説明したのと同様の方法で、上記動的閾値Ａ、Ａ’、Ｂ、Ｂ’をそれぞれ計算し、比較部２５ａが、ステップＳ５１ａ、ステップＳ５２ａ、ステップＳ５１ｃ、ステップＳ５２ｃの各判断処理と同様の判断処理を少なくとも１つを行い、すべての判断処理でＮｏである場合に、音声区間と判定し、何れかの判断処理でＹｅｓである場合に非音声区間と判定してもよい。さらに、図１０に示すように、フレームのパワーが動的閾値Ａ未満及び／又はフレームのピッチ相関が動的閾値Ａ’未満であるかどうか（ステップＳ５１ｄ）と、ステップＳ５１ｄの判断処理でＮｏと判断された場合には、フレームのパワーが動的閾値Ｂ未満及び／又はフレームのピッチ相関が動的閾値Ｂ’であるかどうか（ステップＳ５２ｄ）を判断し、両ステップにおいてＮｏと判断された場合、そのフレームは音声区間に属すると判断し、何れかのステップにおいてＹｅｓと判断された場合には、そのフレームは非音声区間に属すると判断してもよい。
【００４０】
次に、図１１を参照して、動的閾値決定部２９ｂ（統計量計算部２２ｂと閾値決定部２４ｂ）と比較部２５ｂについて説明をする。図１１は、比較部２５ｂの処理の流れを例示する図である。
動的閾値決定部２９ｂの統計量計算部２２ｂは、ＶＡＤフラグバッファ２７が出力した修正された仮ＶＡＤフラグと、遅延バッファ２６が出力した音声パラメータとを用いて、音声区間に属するフレームのパワーの平均値（以下、平均値Ａとする。）及び標準偏差（以下、標準偏差Ｃとする。）と、非音声区間に属するフレームのパワーの平均値（以下、平均値Ｂとする。）及び標準偏差（以下、標準偏差Ｄとする。）とをそれぞれ計算して、閾値決定部２４ｂに出力する。
動的閾値決定部２９ｂの閾値決定部２４ｂは、上記標準偏差Ｃに予め定められた正の定数ｃをかけた値を上記平均値Ａから引いた値（以下、動的閾値Ｃとする。）と、上記標準偏差Ｄに予め定められた正の定数ｄをかけた値を上記平均値Ｂに加えた値（以下、動的閾値Ｄとする。）とを計算して、比較部２５ｂに出力する。すなわち、閾値決定部２４ｂは、音声区間のパワーの平均値Ａ−（ｃ×標準偏差Ｃ）を計算して動的閾値Ｃとし、非音声区間のパワーの平均値Ｂ＋（ｄ×標準偏差Ｄ）を計算して動的閾値Ｄとする。正の定数ｃとｄは、異なる値で予め実験をしてみて、音声区間、非音声区間の精度が最も高くなるように定める。経験上、正の定数ｃとｄはそれぞれ２〜５程度の値であるとよい。
【００４１】
比較部２５ｂは、あるフレームのパワーが動的閾値Ｃ未満であるかどうかを判断する（ステップＳ５１ｂ）。そのフレームのパワーが動的閾値Ｃ未満であれば、そのフレームは非音声区間であると判定する。そうでない場合には、そのフレームのパワーが動的閾値Ｄ未満であるかどうかを判断する（ステップＳ５２ｂ）。そのフレームのパワーが動的閾値Ｄ未満であれば、そのフレームは非音声区間であると判定する。そうでない場合には、そのフレームは音声区間に属すると判定する。すなわち、比較部２５ｂは、フレームのパワーが、上記動的閾値Ｃが未満であり、かつ、上記動的閾値Ｄが未満である場合に、そのフレームは音声区間に属すると決定し、それ以外の場合には、そのフレームは非音声区間に属すると判断する。
【００４２】
［変形例等］
図２に破線で示すように、ステップＳ４とステップＳ５の処理を行わずに、ステップＳ３の処理で、音声区間、非音声区間の判定の処理を終えてもよい。すなわち、ＶＡＤフラグバッファ２７から出力された修正された仮ＶＡＤフラグを、フレームが、音声区間に属するか非音声区間に属するかの最終的な情報として用いてもよい。
ＶＡＤフラグバッファ修正処理指示部２８の例である≪修正例１≫〜≪修正例３≫は適宜組み合わせることができる。すなわち、ＶＡＤフラグバッファ修正処理指示部２８は、図５〜図７に記載した各処理を重ねて行ってもよい。すなわち、予め定めた規則として、≪修正例１≫〜≪修正例３≫で説明した条件を少なくともひとつ有しており、何れかの条件に当てはまったときに、その条件に対応した≪修正例１≫〜≪修正例３≫で説明した仮ＶＡＤフラグの修正を行ってもよい。
また、≪修正例１≫〜≪修正例３≫では、音声パラメータとしてパワーを用いているが、パワーに限らず、例えばピッチ相関等の任意の音声パラメータを用いてよい。
【００４３】
上記仮音声区間決定装置、音声区間決定装置の処理機能をコンピュータによって実現することができる。この場合、仮音声区間決定装置、音声区間決定装置の処理の内容はプログラムによって記述される。そして、このプログラムを、コンピュータで実行することにより、仮音声区間決定装置、音声区間決定装置の処理機能がコンピュータ上で実現される。
この処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体としては、例えば、磁気記録装置、光ディスク、光磁気記録媒体、半導体メモリ等どのようなものでもよい。具体的には、例えば、磁気記録装置として、ハードディスク装置、フレキシブルディスク、磁気テープ等を、光ディスクとして、ＤＶＤ（Digital Versatile Disc）、ＤＶＤ−ＲＡＭ（Random Access Memory）、ＣＤ−ＲＯＭ（Compact Disc Read Only Memory）、ＣＤ−Ｒ（Recordable）／ＲＷ（ReWritable）等を、光磁気記録媒体として、ＭＯ（Magneto-Optical disc）等を、半導体メモリとしてＥＥＰ−ＲＯＭ（Electronically Erasable and Programmable-Read Only Memory）等を用いることができる。
【００４４】
また、このプログラムの流通は、例えば、そのプログラムを記録したＤＶＤ、ＣＤ−ＲＯＭ等の可搬型記録媒体を販売、譲渡、貸与等することによって行う。さらに、このプログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することにより、このプログラムを流通させる構成としてもよい。
このようなプログラムを実行するコンピュータは、例えば、まず、可搬型記録媒体に記録されたプログラムもしくはサーバコンピュータから転送されたプログラムを、一旦、自己の記憶装置に格納する。そして、処理の実行時、このコンピュータは、自己の記録媒体に格納されたプログラムを読み取り、読み取ったプログラムに従った処理を実行する。また、このプログラムの別の実行形態として、コンピュータが可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することとしてもよく、さらに、このコンピュータにサーバコンピュータからプログラムが転送されるたびに、逐次、受け取ったプログラムに従った処理を実行することとしてもよい。また、サーバコンピュータから、このコンピュータへのプログラムの転送は行わず、その実行指示と結果取得のみによって処理機能を実現する、いわゆるＡＳＰ（Application Service Provider）型のサービスによって、上述の処理を実行する構成としてもよい。なお、本形態におけるプログラムには、電子計算機による処理用に供する情報であってプログラムに準ずるもの（コンピュータに対する直接の指令ではないがコンピュータの処理を規定する性質を有するデータ等）を含むものとする。
【００４５】
また、この形態では、コンピュータ上で所定のプログラムを実行させることにより、仮音声区間決定装置を構成することとしたが、これらの処理内容の少なくとも一部をハードウェア的に実現することとしてもよい。
以上の各実施形態の他、本発明である仮音声区間決定装置、方法、プログラム及びその記録媒体、音声区間決定装置は上述の実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で適宜変更が可能である。
【産業上の利用可能性】
【００４６】
パケット通信網上で音声通信を行う利用形態が普及してきており、本発明を適用することによって、安価で品質の高い多地点音声通信会議が実現できる。また、音声認識の前段で本発明による音声区間決定装置、方法、プログラム及びその記録媒体の何れかが利用される場合には、その音声認識システムにおける音声認識の誤りを減らすことができる。
【図面の簡単な説明】
【００４７】
【図１】本発明による音声区間決定装置１２０の機能構成を例示する図。
【図２】本発明による音声区間決定装置１２０の処理の流れを例示する図。
【図３】本発明による仮判定部２１の処理の流れを例示する図。
【図４】本発明による仮判定部２１の処理の流れを例示する図。
【図５】本発明によるＶＡＤフラグバッファ修正処理指示部２８ａの処理の流れを例示する図。
【図６】本発明によるＶＡＤフラグバッファ修正処理指示部２８ｂの処理の流れを例示する図。
【図７】本発明によるＶＡＤフラグバッファ修正処理指示部２８ｃの処理の流れを例示する図。
【図８】本発明による比較部２５ａの処理の流れを例示する図
【図９】本発明による比較部２５ａの処理の流れを例示する図。
【図１０】本発明による比較部２５ａの処理の流れを例示する図。
【図１１】本発明による比較部２５ｂの処理の流れを例示する図。
【図１２】従来技術による音声パケット送信部１０の機能構成を例示する図。
【図１３】従来技術による音声区間決定部１２の機能構成を例示する図。
【図１４】従来技術による音声区間決定部１２の処理の流れを例示する図。
【技術分野】
【０００１】
この発明は、無音信号を含む複数の信号が含まれた混合信号から、音声信号や音響信号（以下、音声信号とする。）などの目標信号が含まれている区間を決定するための装置、方法、プログラム及びその記録媒体に関する。
【背景技術】
【０００２】
音声信号を、フレームと呼ばれる例えば１０ｍｓ〜２０ｍｓの一定時間毎の信号に区切り、音声符号化の手法を用いて音声パケットに変換し、パケット通信網を介して通信するサービス（以下、音声パケット通信とする。）が普及しつつある。
特許文献１に、音声パケット通信を用いて、多地点で音声会議を行う装置と方法が記載されている。特許文献１に記載されている音声パケット送信部１０の構成例を図１２に示す。音声パケット送信部１０には、フレームと呼ばれる一定時間毎に区切られた音声信号が入力音声として入力され、音声波形符号化部１１において音声符号化の手法を用いて入力音声を音声符号に変換するとともに、音声区間決定部１２において、入力音声を分析し、当該フレームが音声区間に属するか非音声区間に属するかの情報（以下、ＶＡＤフラグとする。）を決定し、パケット構成部１３において、音声符号とＶＡＤフラグを１つの音声パケットに組み込んで送出している。
【０００３】
特許文献１において、ＶＡＤフラグを音声符号とともに送信しているのは、受信側すなわち多地点ミキシングサーバにおいて、ＶＡＤフラグを参照して、各地点で発話中であるか、そうでないかを判断し、時々刻々、どの地点が主たる発言者であるのかの自動判定に基づくミキシング処理を行うためである。このとき、送信側において音声／非音声判定を誤り、間違ったＶＡＤフラグを送信すると、多地点接続サーバにおける主たる発言者の自動判定にも誤りが生じ、多地点接続サーバで生成されるミキシング音声の品質が劣化するという問題がある。
音声区間決定部１２の構成例を図１３に示す。音声区間決定部１２は、パラメータ計算部２０、仮判定部２１、統計量計算部２２、閾値決定部２４、比較部２５を有する。また、図１４に、音声区間決定部１２の処理の流れを例示する。
【０００４】
まず、パラメータ計算部２０は、入力音声からパワーやピッチ相関等の音声パラメータを計算して、仮判定部２１、統計量計算部２２、比較部２５に出力する（ステップＳ８１）。
仮判定部２１は、予め定められた固定閾値（無音閾値Ａ１、有声音閾値Ｂ１、無声音閾値Ｃ１）と計算された音声パラメータとを用いて、入力音声フレームが音声区間であるか非音声区間であるかの仮判定を行う（ステップＳ８２）。
【０００５】
図３は、仮判定部２１における処理のフローチャート例である。まず、パワーを無音閾値Ａ１と比較し、パワーが無音閾値Ａ１未満であれば非音声区間と判定する（ステップＳ２１）。パワーが無音閾値Ａ１未満でない場合は、ピッチ相関の値を有声音閾値Ｂ１と比較し、ピッチ相関が有声音閾値Ｂ１より大であれば音声区間と判定する（ステップＳ２２）。ピッチ相関が有声音閾値Ｂ１より大でない場合は、ピッチ相関の値を無声音閾値Ｃ１と比較し、ピッチ相関が無声音閾値Ｃ１未満であれば非音声区間と判定する（ステップＳ２３）。ピッチ相関が無声音閾値Ｃ１未満でない場合は、不明と判定する（ステップＳ２３）。仮判定では不明区間があってもよい。
統計量計算部２２は、仮判定部２１で判定された音声／非音声区間の判定に基づいて、音声区間と非音声区間それぞれの平均パワーを計算する。
閾値決定部２４は、音声区間と非音声区間それぞれの平均パワーから、音声／非音声判定のための動的閾値を決定する（例えば、特許文献１参照。）（ステップＳ８３）。
比較部２５は、音声パラメータと、上記音声／非音声判定のための動的閾値を比較して、最終的にそのフレームが音声区間であるか非音声区間であるかの判定を行い、その結果（ＶＡＤフラグ）を出力する。最終的な判断では、区間不明は認められず、必ず音声区間か非音声区間のいずれかに判定する（ステップＳ８４）。
【０００６】
まとめると、上記記載された装置・方法は、まず、固定閾値で明らかに音声区間、非音声区間とわかるフレームについては判定を行い、その判定結果を用いて、音声区間の信号レベル、非音声区間の信号レベルを推定し（判定の難しいフレームは不明のままにする）、推定された音声区間、非音声区間のそれぞれの信号レベルから動的な閾値を決めて、最終的にすべてのフレームを、音声区間、非音声区間いずれかに振り分けるという２段階の処理をしている。
【特許文献１】特開２００５−２２９２５９号公報
【発明の開示】
【発明が解決しようとする課題】
【０００７】
背景技術に記載された２段階の処理を行う装置・方法は、固定閾値のみで最終的な音声区間、非音声区間を決めてしまうのに比べれば精度が高いといえるが、上記装置・方法で最終的に推定される音声区間、非音声区間の信号レベルはあくまでも近似でしかない。
なぜなら、仮判定部２１は、予め定められた固定閾値のみから、音声区間、非音声区間の仮判定を行っており、その判定精度が必ずしも高くはない。このため、仮判定部２１における音声区間、非音声区間の仮判定の精度が低い場合には、各区間の信号レベルを正確に測定することはできないし、各区間の信号レベルを正確に測定できなければ最終的な音声区間、非音声区間の判定精度を上げることができないからである。
本発明は、仮判定の精度を上げることを目的とする。また、仮判定の精度を上げることによって、最終的な音声区間、非音声区間の判定の精度を上げることを目的とする。
【課題を解決するための手段】
【０００８】
本発明は、入力された音声信号からフレーム毎に音声パラメータを計算する。上記音声パラメータを、予め定められたフレーム数分だけ遅延バッファに蓄積する。上記音声パラメータから、その音声パラメータに係るフレームが、音声区間に属するか非音声区間に属するかを仮に決定する。上記決定された、音声区間に属するか非音声区間に属するかについての仮の情報（以下、仮ＶＡＤフラグとする。）を、予め定められたフレーム数分だけＶＡＤフラグバッファに蓄積する。ＶＡＤフラグバッファに蓄積された仮ＶＡＤフラグを、上記遅延バッファから読み出した音声パラメータの経時的変化を観測することにより、予め定めた規則に基づいて修正する。上記修正された仮ＶＡＤフラグを出力する。
望ましくは、さらに、上記修正された仮ＶＡＤフラグによって、音声区間に属すると決定されたフレーム及び／又は非音声区間に属すると決定されたフレームから、音声区間に属するか非音声区間に属するかを決定するための動的閾値を所定の時間間隔ごとに計算する。上記計算された動的閾値と、あるフレームについての上記音声パラメータとを比較することによって、その音声パラメータに係るフレームが音声区間に属するか非音声区間に属するかを最終的に決定する。
【発明の効果】
【０００９】
リアルタイム通信における利用では、最終的な音声区間、非音声区間の判定は、フレーム音声が入力されたら即座に実時間で（フレームの時間長以内の時間で）決定されなければならない。しかしながら、仮判定は音声区間、非音声区間のそれぞれの信号レベルを推定するためだけのものであるから、厳密なリアルタイム性は要求されない。本発明は、この仮判定に厳密なリアルタイム性が要求されないことに着目している。
具体的には、上記遅延バッファから読み出した音声パラメータの経時的変化を観測して、過去に遡って仮ＶＡＤフラグを適切なものに修正することによって、仮判定の精度を向上している。また、その結果として、最終的な判定精度の向上が可能となった。
【発明を実施するための最良の形態】
【００１０】
図１と図２を参照して、本発明による音声区間決定装置１２０の説明をする。図１は、音声区間決定装置１２０の機能構成を例示する図である。図２は、音声区間決定装置１２０の処理の流れを例示する図である。
音声区間決定装置１２０は、パラメータ計算部２０、仮判定部２１、統計量計算部２２、閾値決定部２４、比較部２５、遅延バッファ２６、ＶＡＤフラグバッファ２７、ＶＡＤフラグバッファ修正処理指示部２８を有する。なお、本明細書、特許請求の範囲では、パラメータ計算部２０、仮判定部２１、遅延バッファ２６、ＶＡＤフラグバッファ２７、ＶＡＤフラグバッファ修正処理指示部２８を、仮音声区間決定装置３０とする。また、本明細書、特許請求の範囲では、統計量計算部２２と閾値決定部２４を合わせて、動的閾値決定部２９と呼ぶことにする。音声区間決定装置１２０は、遅延バッファ２６、ＶＡＤフラグバッファ２７、ＶＡＤフラグバッファ修正処理指示部２８を有する点で、背景技術による音声区間決定部１２とは異なる。
【００１１】
パラメータ計算部２０は、入力された音声信号から、パワーやピッチ相関等の音声パラメータをフレームごとに計算する（ステップＳ１）。本明細書、特許請求の範囲においては、音声信号とは、音声信号と音響信号を含む概念とする。計算された音声パラメータは、仮判定部２１、比較部２５、遅延バッファ２６にそれぞれ出力される。以下では、パラメータ計算部２０が、音声パラメータとしてパワーとピッチ相関の両方を計算する例を挙げて音声区間決定装置１２０を説明する。なお、パラメータ計算部２０は、仮判定部２１、比較部２５、統計量計算部２２が用いる音声パラメータを少なくとも計算すればよい。すなわち、仮判定部２１、比較部２５、統計量計算部２２がパワーとピッチ相関の一方のみを用いる場合には、パラメータ計算部２０は、その一方の音声パラメータを計算すればよい。このように、本発明のパラメータ計算部２０は、計算する音声パラメータの種類は問わない。
【００１２】
遅延バッファ２６には、パラメータ計算部２０で計算された音声パラメータが、予め定められたフレーム数分だけ蓄積される。予め定められたフレーム数を超えて新しい音声パラメータが蓄積されると、フレーム番号の最も古い音声パラメータは遅延バッファ２６から削除される。後述するように、遅延バッファ２６は、統計量計算部２２又はＶＡＤフラグバッファ修正処理指示部２８からの読み出し命令を受けて、遅延バッファに保存された音声パラメータを統計量計算部２２又はＶＡＤフラグバッファ修正処理指示部２８に出力する。
仮判定部２１は、パラメータ計算部２０で計算された音声パラメータを用いて、その音声パラメータに係るフレームが、音声区間に属するか、非音声区間に属するか、属する区間が不明であるかを仮に決定する（ステップＳ２）。本明細書、特許請求の範囲においては、フレームが、音声区間に属するか、非音声区間に属するか、属する区間が不明であるかどうかについての情報を、仮ＶＡＤフラグとする。この仮ＶＡＤフラグは、ＶＡＤフラグバッファ２７に格納される。仮判定部２１の処理は、背景技術で説明した仮判定部２１の処理と同様でよい。すなわち、図３に示されたフローチャートの処理を実行すればよい。
【００１３】
具体的には、仮判定部２１は、パラメータ計算部２０で計算されたパワーを、予め定めた無音閾値Ａ１と比較し、パワーが無音閾値Ａ１未満であれば非音声区間と判定する（ステップＳ２１）。パワーが無音閾値Ａ１未満でない揚合は、ピッチ相関の値を予め定めた有声音閾値Ｂ１と比較し、パラメータ計算部２０で計算されたピッチ相関が有声音閾値Ｂ１より大であれば音声区間と判定する（ステップＳ２２）。ピッチ相関が有声音閾値Ｂ１より大でない場合は、ピッチ相関の値を無声音閾値Ｃ１と比較し、ピッチ相関が無声音閾値Ｃ１未満であれば非音声区間と判定する（ステップＳ２３）。ピッチ相関が無声音閾値Ｃ１未満でない場合は、不明と判定する（ステップＳ２３）。このようにして、仮判定部２１は、音声区間に属するか非音声区間に属するかを仮に決定する。
なお、本明細書、特許請求の範囲においては、原則として、「未満」とは、「以下」の概念を包括するものとする。すなわち、ＡはＢ未満（Ａ＜Ｂ）であると言った場合には、ＡがＢ未満（Ａ＜Ｂ）であっても、ＡがＢ以下（Ａ≦Ｂ）であってもよいものとする。同様に「より上」とは、「以上」の概念を包括するものとする。
【００１４】
仮判定部２１の仮判定では、音声区間、非音声区間が不明である不明区間があってもよいが、図１３に記載した背景技術による音声区間決定部１２とは違って、本発明による音声区間決定装置１２０では、後述のように仮判定結果である仮ＶＡＤフラグを修正する機会があるので、不明区間ができないように上記閾値Ａ１，Ｂ１，Ｃ１を決めてしまってもよい。例えば、有声音閾値Ｂ１＝無声音閾値Ｃ１とする。また、ステップＳ２２において、ピッチ相関が有声音閾値Ｂ１より大でない場合には、非音声区間と判断し、ステップＳ２３の処理自体を行わなくてもよい。不明区間を生じさせないようにする場合には、音声区間に属するか非音声区間に属するかについての仮の情報が仮ＶＡＤフラグとなる。
なお、仮判定部２１の処理は、上記したものに限られない。実時間で音声区間、非音声区間（必要であれば、さらに不明区間）を判定することができる手法であればどのような方法でもよい。
【００１５】
例えば、図４に示すように、判定の条件（ステップＳ２４、ステップＳ２５）を追加してもよい。つまり、音声区間を判定するための、パワーの閾値とピッチ相関の閾値との組合せが２以上ある場合には、図４に示すように、各組合せごとに、フレームのパワーとピッチ相関がそれぞれ、その組合せに係るパワーの閾値とピッチ相関の閾値よりも大きいかどうかを判定しても良い。図４は、音声区間であると判断することができるパワーの閾値とピッチ相関の閾値の組合せが、（パワーの閾値Ｄ１，ピッチ相関の閾値Ｂ１）と（パワーの閾値Ｅ１，ピッチ相関の閾値Ｆ１）の２つある場合の処理の例である。何れかの組合せにおいて、フレームのパワーとピッチ相関の方が、その組合せに係るパワーの閾値とピッチ相関の閾値よりも大きいとそれぞれ判定された場合には、そのフレームは音声区間と判定される（ステップＳ２４、ステップＳ２５）。図４において、ステップＳ２１とステップＳ２３は、図３のステップＳ２１とステップＳ２３と同様であるため説明を省略する。
【００１６】
ＶＡＤフラグバッファ２７は、仮判定部２１によって決定された仮ＶＡＤフラグを予め定められたフレーム数分蓄積する。また、ＶＡＤフラグバッファ２７は、ＶＡＤフラグバッファ修正処理指示部２８からの指示に従って、蓄積された仮ＶＡＤフラグの中で、仮判定が誤っていると判断されるフレームの仮ＶＡＤフラグを修正する。ＶＡＤフラグバッファに蓄積された仮ＶＡＤフラグバッファは、予め定められたフレーム数に対応する時間経過後に、修正された仮ＶＡＤフラグを統計量計算部２２に送るとともに、送ったフレームの仮ＶＡＤフラグを削除する。
遅延バッファ２６とＶＡＤフラグバッファ２７の蓄積フレーム数は以下のように設定することができる。例えば、フレームの時間長が２０ｍｓである場合には、遅延バッファ２６とＶＡＤフラグバッファ２７の蓄積フレーム数を１〜１００程度（さらに、好ましくは、５０程度）にするとよい。また、例えば、フレームの時間長が１０ｍｓである場合には、遅延バッファ２６とＶＡＤフラグバッファ２７の蓄積フレーム数を１〜２００程度（さらに好ましくは、１００程度）にするとよい。また、別の観点から言及すると、（フレームの時間長）×（蓄積フレーム数）＝０．０２秒〜０．２秒程度になるように、フレームの時間長と蓄積フレーム数とを設定するとよい。なお、遅延バッファ２６とＶＡＤフラグバッファ２７のそれぞれの蓄積フレーム数は同一にするのがよい。
【００１７】
ＶＡＤフラグバッファ修正処理指示部２８は、現フレームの音声パラメータおよび遅延バッファ２６に蓄積された音声パラメータと、予め定めた規則とに基づいて、ＶＡＤフラグバッファ２７に蓄積された仮ＶＡＤフラグの中で判定の誤りのあるものを推定し、ＶＡＤフラグバッファ２７に対して、当該仮ＶＡＤフラグを修正するように指示を与える。すなわち、パラメータ計算部２０が出力した現フレームの音声パラメータと、遅延バッファから読み出した音声パラメータの経時的状態を観測して、ＶＡＤフラグバッファ２７に蓄積された仮ＶＡＤフラグを適切なものに修正する。以下では、ＶＡＤフラグバッファ修正処理指示部２８が、仮ＶＡＤフラグを修正するといった場合には、ＶＡＤフラグバッファ修正処理指示部２８が、仮ＶＡＤフラグを修正する指示をＶＡＤフラグバッファ２７に出し、その指示を受けてＶＡＤフラグバッファ２７が、蓄積された仮ＶＡＤフラグを修正することを意味する。
なお、ＶＡＤフラグバッファ修正処理指示部２８は、現フレームの音声パラメータを用いずに、遅延バッファから読み出した音声パラメータの経時的状態のみを観測して、仮ＶＡＤフラグを適切なものに修正してもよい。
【００１８】
ＶＡＤフラグバッファ修正処理指示部２８が行う処理は、フレーム番号が後の（フレーム番号が大きい、即ち時刻が後の）音声パラメータを観測して、フレーム番号が前の（フレーム番号が小さい、即ち時刻が前の）仮ＶＡＤフラグの正誤を推定し、判定が誤りと判断されれば当該仮ＶＡＤフラグを修正する処理であり、いったん決定された事項を過去に遡って訂正することに相当する。例えば、１，１，３，５，６という数値の時系列があるとする。単純に考えれば、６の次は６よりも大きい７か８がくるように推測されるが、実際に観測を続けると、６の次は５，３，１となり、６の時刻が最大値であったことがわかる、という事例は多い。音声区間、非音声区間の判定も同様であって、後続する音声パラメータのない仮判定の時点では正確に判定できなくても、後続の音声パラメータが得られた時点で判断がつくことが多い。
【００１９】
例えば、パワーの小さいフレームが続いており、あるフレーム（時刻）において、以前よりも少しパワーが大きくなったとする。その時点では、そのパワーが少し大きくなったフレームが、音声区聞の始まりであるのか、単に一瞬のノイズが入っただけなのか判断がつかない。しかし、後続するフレームのパワーを引き続き観測して、急激にパワーの大きいフレームが続いていれば、最初に少しパワーが大きくなったフレームが音声区間の開始点であったと判断できる。また、後続のピッチ相関を観測して、ピッチ相関の値が大きくなったフレームが続けば、最初にパワーが少し大きくなったフレームが子音であった、すなわち音声区間の開始点であったという判断もできる。
逆に、パワーが少し大きくなったフレームの後に、またパワーの小さいフレームが続いた場合は、パワーが少し大きくなったフレームは音声区間ではなく、非音声区間であり、一瞬ノイズが入っただけと判断することが妥当である。
このように、ＶＡＤフラグバッファ修正処理指示部２８は、音声パラメータの状態から音声区区間、非音声区間を判断する基準を複数保持しており、それらの判断基準に照らし合わせて、ＶＡＤフラグバッファ２７内の仮ＶＡＤフラグを修正する処理を行う。以下、ＶＡＤフラグバッファ修正処理指示部２８の具体例について述べる。
【００２０】
≪修正例１≫
ＶＡＤフラグバッファ修正処理指示部２８の一例であるＶＡＤフラグバッファ修正処理指示部２８ａは、図５に記載された処理を行う。ＶＡＤフラグバッファ修正処理指示部２８ａは、仮判定部２１において非音声区間に判定されてしまった過去のフレームでも、現在のフレームｋのピッチ相関値Ｃｋが予め定めた閾値Ａ２よりも大きければ、当該フレームの１フレーム前からＭ１フレーム前までを音声区間に修正する。これにより、音声区間の開始点付近では、パラメータ計算部２０で得られたピッチ相関値が小さくなることがあり、実際には音声区間であるものの、非音声区間に誤ったフレームの判定を修正することができる。ＶＡＤフラグバッファ修正処理指示部２８ａは、図１のＶＡＤフラグバッファ修正処理指示部２８ａに破線で示すように、比較部２８１ａ、制御部２８２ａ、指示部２８３ａを有する。
図５に示すように、比較部２８１ａは、ｋを現在のフレーム番号とし、Ｃｋを現在のフレームにおけるピッチ相関として、予め定めた閾値Ａ２とピッチ相関値Ｃｋとを比較する（ステップＳ３１ａ）。閾値Ａ２は、０．７〜０．９程度にするとよい。予め定めた閾値Ａ２がピッチ相関値Ｃｋ未満でない場合には、仮ＶＡＤフラグの修正処理を行わずにステップＳ３は終了する。
【００２１】
予め定めた閾値Ａ２がピッチ相関値Ｃｋ未満である場合には、そのピッチ相関値に係るフレームの仮ＶＡＤフラグを音声区間に属するという情報に修正する指示を出す（ステップＳ３２ａ〜ステップＳ３４ａ）。まず、ＶＡＤフラグバッファ修正処理指示部２８ａの制御部２８２ａが、ｉ＝１とする（ステップＳ３２ａ）。指示部２８３ａは、ｋ−ｉのフレームの仮ＶＡＤフラグを、音声区間に属するという情報に修正する指示をＶＡＤフラグバッファ２７に出す（ステップＳ３３ａ）。制御部２８２ａは、ｉをインクリメントし、ｉ＝ｉ＋１とする（ステップＳ３４ａ）。制御部２８２ａは、ｉと予め定められた定数Ｍ１を比較し、ｉが予め定められた定数Ｍ１未満である場合にはステップＳ３３ａの処理を行い、そうでない場合にはステップＳ３の処理を終了する（ステップＳ３５ａ）。Ｍ２は１以上であればよいが、１フレームの時間長が２０ｍｓである場合には、５≦Ｍ２≦１０程度にすると望ましい。
【００２２】
上記処理においては、ステップＳ３３ａにおいて、既に音声区間に属するという情報である仮ＶＡＤフラグについても、音声区間に属するという情報で上書き修正を行っている。一方、図５に破線で示すように、ステップＳ３２ａとステップＳ３３ａの間にステップＳ３６ａを設けて、制御部２８２ａが、ｋ−ｉのフレームの仮ＶＡＤフラグが音声区間に属するという情報でないかを判断し、音声区間に属するという情報でない場合には、ステップＳ３３ａの処理を行い、音声区間に属するという情報である場合には、ステップＳ３４ａの処理を行っても良い（ステップＳ３６ａ）。
上記処理においては、ＶＡＤフラグバッファ修正処理指示部２８ａは、ｋを現在のフレームとして仮ＶＡＤフラグの修正の処理を行っている。しかし、遅延バッファ２６とＶＡＤフラグバッファ２７の両方のバッファに格納されているフレームであれば、そのフレームの番号をｋとして、処理を行うことができる。
【００２３】
このように、ＶＡＤフラグバッファ修正処理指示部２８ａは、あるフレームのピッチ相関値が予め定められた値よりも大きい場合には、そのフレームよりも時間的に前の予め定められた数のフレームに係る仮ＶＡＤフラグを、音声区間に属するという情報に修正する。
上記ＶＡＤフラグバッファ修正処理指示部２８ａは、あるフレームの音声パラメータと予め定められた値とを比較して、その比較結果によって、そのフレームよりも時間的に前の予め定められた数のフレームに係る仮ＶＡＤフラグを修正する一例である。
ここで、本明細書、特許請求の範囲において、あるフレーム（以下、フレームＡとする。）よりも時間的に後ろのフレーム（以下、フレームＢとする。）とは、フレームＡよりも時間的に未来のフレームを意味する。すなわち、フレームＡの時刻をａ、フレームＢの時刻をｂとすると、ａ＜ｂとなる。逆に、あるフレーム（以下、フレームＣとする。）よりも時間的に前のフレーム（以下、フレームＤとする。）とは、フレームＣよりも時間的に過去のフレームを意味する。すなわち、フレームＣの時刻をｃ、フレームＤの時刻をｄとすると、ｄ＜ｃとなる。
【００２４】
≪修正例２≫
ＶＡＤフラグバッファ修正処理指示部２８の一例であるＶＡＤフラグバッファ修正処理指示部２８ｂは、図６に記載された処理を行う。ＶＡＤフラグバッファ修正処理指示部２８ｂは、仮判定部２１において非音声区間に判定されてしまった過去のフレームでも、現在のフレームｋのパワーＰｋよりも、ｋ−ｉのフレームのパワーＰｋ−ｉのほうが著しく大きい場合には、ｋ−ｉのフレームの仮ＶＡＤフラグを音声区間に属するという情報に変更するものである。これにより、音声区間の終了点付近で誤って非音声区間と仮判定されてしまった仮ＶＡＤフラグを修正することができる。ＶＡＤフラグバッファ修正処理指示部２８ｂは、図１のＶＡＤフラグバッファ修正処理指示部２８ｂに破線で示すように、比較部２８１ｂ、制御部２８２ｂ、指示部２８３ｂを有する。
【００２５】
図６に示すように、制御部２８２ｂは、ｉ＝１とする（ステップＳ３１ｂ）。比較部２８１ｂは、フレームｋのパワーＰｋに予め定められた定数ａ１をかけた値が、フレームｋ−ｉのパワーＰｋ―ｉとを比較する（ステップＳ３２ｂ）。パワーＰｋに予め定められた定数ａ１をかけた値が、フレームｋ−ｉのパワーＰｋ―ｉ未満である場合には、指示部２８３ｂは、フレームｋ−ｉの仮ＶＡＤフラグを音声区間に属するという情報に修正する（ステップＳ３３ｂ）。その後、制御部２８２ｂは、ｉをインクリメントし、ｉ＝ｉ＋１とする（ステップＳ３４ｂ）。ステップＳ３２ｂにおいて、パワーＰｋに予め定められた定数ａ１をかけた値が、フレームｋ−ｉのパワーＰｋ―ｉ未満でない場合には、ステップＳ３３ｂの処理を跳ばして、ステップＳ３４ｂの処理を行う。制御部２８２ｂは、ｉと予め定められた定数Ｍ２とを比較し、ｉが予め定められた定数Ｍ２未満である場合にはステップＳ３２ｂの処理を行い、そうでない場合にはステップＳ３の処理を終了する（ステップＳ３５ｂ）。ここで、ａ１は、４≦ａ１≦２５程度にするとよい。Ｍ２は１以上であればよいが、１フレームの時間長が２０ｍｓである場合には、５≦Ｍ２≦１０程度にすると望ましい。
【００２６】
上記処理においては、ステップＳ３３ｂにおいて、既に音声区間に属するという情報である仮ＶＡＤフラグについても、音声区間に属するという情報で上書き修正を行っている。一方、図６に破線で示すように、ステップＳ３２ｂとステップＳ３３ｂの間にステップＳ３６ｂを設けて、制御部２８２ｂが、ｋ−ｉのフレームの仮ＶＡＤフラグが音声区間に属するという情報でないかを判断し、音声区間に属するという情報でない場合には、ステップＳ３３ｂの処理を行い、音声区間に属するという情報である場合には、ステップＳ３４ｂの処理を行っても良い（ステップＳ３６ｂ）。
上記処理においては、ＶＡＤフラグバッファ修正処理指示部２８ｂは、ｋを現在のフレームとして仮ＶＡＤフラグの修正の処理を行っている。しかし、遅延バッファ２６とＶＡＤフラグバッファ２７の両方のバッファに格納されているフレームであれば、そのフレームの番号をｋとして、処理を行ってもよい。
【００２７】
このように、ＶＡＤフラグバッファ修正処理指示部２８ｂは、あるフレームのパワーに予め定めた定数をかけた値が、そのフレームよりも時間的に前のフレームのパワー未満である場合には、その時間的に前のフレームに係るＶＡＤフラグを、音声区間に属するという情報に修正する。
ＶＡＤフラグバッファ修正処理指示部２８ａは、あるフレームの音声パラメータと、そのフレームよりも時間的に前のフレームの音声パラメータとを比較して、その比較結果によって、その時間的に前のフレームに係る仮ＶＡＤフラグを修正する一例である。
【００２８】
≪修正例３≫
ＶＡＤフラグバッファ修正処理指示部２８の一例であるＶＡＤフラグバッファ修正処理指示部２８ｃは、図７に記載された処理を行う。ＶＡＤフラグバッファ修正処理指示部２８ｃは、仮判定部２１において音声区間として判定されてしまった過去のフレームでも、その前後のフレームにおけるパワーが、その音声区間に判定されてしまったフレームのパワーよりも著しく小さい場合に、当該フレームを非音声区間に修正するものである。これにより、例えば、プツンといった短時間のノイズが原因で誤って音声区間として判定されてしまったフレームの仮ＶＡＤフラグを修正することができる。ＶＡＤフラグバッファ修正処理指示部２８ｃは、図１のＶＡＤフラグバッファ修正処理指示部２８ｃに破線で示すように、比較部２８１ｃ、制御部２８２ｃ、指示部２８３ｃを有する。
【００２９】
図７に示すように、比較部２８１ｃは、現在のフレームをｋとして、フレームｋ−３のパワーＰｋ−３に予め定められた定数ａ２をかけた値と、フレームｋ−２のパワーＰｋ−２を比較する（ステップＳ３１ｃ）。パワーＰｋ−３に予め定められた定数ａ２をかけた値がパワーＰｋ−２未満である場合には、フレームｋ−１のパワーＰｋ−１に予め定められた定数ａ３をかけた値と、フレームｋ−２のパワーＰｋ−２を比較する（ステップＳ３２ｃ）。パワーＰｋ−１に予め定められた定数ａ３をかけた値がパワーＰｋ−２未満である場合には、フレームｋのパワーＰｋに予め定められた定数ａ４をかけた値と、フレームｋ−２のパワーＰｋ−２を比較する（ステップＳ３３ｃ）。フレームｋのパワーＰｋに予め定められた定数ａ４をかけた値がＰｋ−２未満である場合には、指示部２８３ｃは、フレームｋ−２の仮ＶＡＤフラグを、非音声区間に属するという情報に修正する。ステップＳ３１ｃ〜ステップＳ３３ｃの何れかのステップにおいて、（ｉ，ｊ）＝｛（３，２），（１，３），（０，４）｝として、パワーＰｋ−ｉに予め定められた定数ａｊをかけた値がパワーＰｋ−２未満でないと判断された場合には、ステップＳ３の処理は終了する。ここで、ａｉ（ｉ＝２，３，４）は、４≦ａｉ≦２５程度にするとよい。ａｉの各値は、同一でもよいし、異なっていてもよい。
【００３０】
上記処理においては、ステップＳ３４ｃの処理において、既に非音声区間に属するという情報である仮ＶＡＤフラグについても、非音声区間に属するという情報で上書き修正を行っている。一方、図７に破線で示すように、ステップＳ３３ｃとステップＳ３４ｃの間にステップＳ３５ｃを設けて、制御部２８２ｃが、フレームｋ−ｉの仮ＶＡＤフラグが非音声区間に属するという情報でないかを判断し、非音声区間に属するという情報でない場合には、ステップＳ３４ｃの処理を行い、非音声区間に属するという情報である場合には、ステップＳ３４ｃの処理を行わずにステップＳ３の処理を終了しても良い（ステップＳ３５ｃ）。
上記処理においては、ＶＡＤフラグバッファ修正処理指示部２８ｃは、ｋを現在のフレームとして仮ＶＡＤフラグの修正の処理を行っている。しかし、遅延バッファ２６とＶＡＤフラグバッファ２７の両方のバッファに格納されているフレームであれば、そのフレームの番号をｋとして、処理を行ってもよい。
【００３１】
上記処理では、あるフレーム（ｋ−２）のひとつ前のフレーム（ｋ−３）と、そのあるフレーム（ｋ−２）よりも１つ後ろのフレーム（ｋ−１）と、２つ後ろのフレーム（ｋ）に係る各音声パラメータを観測して、仮ＶＡＤフラグバッファの修正を行っている。しかし、あるフレームよりも時間的に前の予め定められたα個のフレームと、そのあるフレームよりも時間的に後ろの予め定められたβ個のフレームに係る各音声パラメータを観測して、上記と同様にして仮ＶＡＤフラグバッファの修正を行っても良い。すなわち、上記α個とβ個の各フレームのパワーにそのフレーム毎に予め定められた定数をかけた値と、そのあるフレームのパワーとをそれぞれ比較し、そのあるフレームのパワーの方がすべて大きいと判断された場合には、そのあるフレームの仮ＶＡＤフラグを非音声区間に属するという情報に修正する。
このように、ＶＡＤフラグバッファ修正処理指示部２８ｃは、そのフレームよりも時間的に前の予め定められた数の各フレームのパワーに予め定めた各定数をかけた値の何れよりも大きく、かつ、そのフレームよりも時間的に後の予め定められた数の各フレームのパワーに予め定められた各定数をかけた値の何れよりも大きい場合に、上記あるフレームに係る仮ＶＡＤフラグを、非音声区間に属するという情報に修正する手段である。
【００３２】
上記ＶＡＤフラグバッファ修正処理指示部２８ｃは、あるフレームの音声パラメータと、そのフレームよりも時間的に前の予め定められた数の各フレームの音声パラメータ及びそのフレームよりも時間的に後の予め定められた数の各フレームの音声パラメータとを比較して、その比較結果によって、上記あるフレームに係る仮ＶＡＤフラグを修正する一例である。
また、ＶＡＤフラグバッファ修正処理指示部２８ｃは、連続するγ個のフレームの各パワーの平均値を求め、その平均値が、それらの連続するγ個のフレームよりも時間的に前の予め定められたα個の各フレームにフレーム毎に予め定められた定数をかけた値のいずれよりも大きく、かつ、それら連続するγ個のフレームよりも時間的に後ろの予め定められたβ個の各フレームにフレーム毎に予め定められた定数をかけた値のいずれよりも大きい場合に、それらの連続するγ個のフレームの仮ＶＡＤフラグを、非音声区間に属するという情報に修正してもよい。ここで、１フレームの長さが２０ｍｓである場合には、γを２〜３程度にするとよい。
【００３３】
すなわち、ＶＡＤフラグバッファ修正処理指示部２８ｃは、あるフレームのパワーと、そのフレームと時間的に前後する少なくとも１つのフレームのパワーとの平均値が、それらのフレームよりも時間的に前の予め定められた数の各フレームのパワーに予め定めた各定数をかけた値の何れよりも大きく、かつ、それらのフレームよりも時間的に後の予め定められた数の各フレームのパワーに予め定められた各定数をかけた値の何れよりも大きい場合に、上記あるフレームと上記そのフレームと時間的に前後する少なくとも１つのフレームとに係るＶＡＤフラグをそれぞれ非音声区間に属するという情報に修正してもよい。
上記説明したように、仮判定部２１から出力された仮ＶＡＤフラグは、ＶＡＤフラグバッファ２７に予め定めたフレーム数分だけ蓄積され、必要であればＶＡＤフラグバッファ修正処理指示部２８による修正を受けた後に、修正された仮ＶＡＤフラグとして、統計量計算部２２に出力される。
このＶＡＤフラグバッファ修正処理指示部２８ｃは、あるフレームの音声パラメータと、そのフレームと時間的に前後する少なくとも１つのフレームの音声パラメータとの平均値を、それらのフレームよりも時間的に前の予め定められた数の各フレームの音声パラメータ及びそれらのフレームよりも時間的に後の予め定められた数の各フレームの音声パラメータと比較して、その比較結果によって、上記あるフレームと上記そのフレームと時間的に前後する少なくとも１つのフレームとに係る仮ＶＡＤフラグを修正する一例である。
【００３４】
動的閾値決定部２９（統計量計算部２２と閾値決定部２４）は、ＶＡＤフラグバッファ２７から出力された修正された仮ＶＡＤフラグによって、音声区間に属すると決定されたフレーム及び／又は非音声区間に属すると決定されたフレームから、音声区間に属するか非音声区間に属するかを決定するための動的閾値を所定の時間間隔ごとに計算する（ステップＳ４）。以下に説明する例では、音声区間に属するフレームの統計量と非音声区間に属するフレームの統計量の両方を用いているが、一方のみを用いて音声区間、非音声区間の決定をしてもよい。
動的閾値決定部２９の統計量計算部２２と閾値決定部２４の処理は、背景技術に記載したものと同様でよい。すなわち、統計量計算部２２は、仮判定部２１で判定された音声／非音声区間の判定に基づいて、音声区間と非音声区間それぞれの平均パワーを計算する。閾値決定部２４は、音声区間と非音声区間それぞれの平均パワーから、例えば特許文献１に記載されたのと同様の方法で音声／非音声判定のための動的閾値を決定してもよい。決定された動的閾値は、比較部２５に出力される。ここで「平均パワー」とは、音声区間に属するフレームのパワーの平均値及び非音声区間に属するフレームのパワーの平均値である。
【００３５】
動的閾値決定部２９の統計量計算部２２は、平均パワー以外の統計量を計算してもよい。例えば、ピッチ相関値を計算してもよい。また、一定の観測時間における、音声区間に属するフレームのパワーの最小値、非音声区間に属するフレームのパワーの最大値を求めてもよい。一定の観測時間とは、例えば、２秒前後であり、１フレームの長さが２０ｍｓである場合には、約１００フレームが一定の観測時間となる。また、音声区間に属するフレームのパワーの標準偏差及び／又は分散や、非音声区間に属するフレームのパワーの標準偏差及び／又は分散を統計量として求めてもよい。平均パワー以外の統計量を用いる場合も、閾値決定部２４は、上記計算された統計量から、音声区間、非音声区間を判定するための動的閾値を決定して、その決定された動的閾値を比較部２５に出力する。
動的閾値決定部２９による動的閾値の更新頻度は、求める音声区間の判定精度、ハードウェアの性能や規模に依存する。すなわち、音声区間の判定精度を最も高くする場合には、動的閾値は毎フレームごとに更新するとよい。しかし、本発明が実装されるハードウェアの性能が低く、又は、その規模が小さい場合には、動的閾値の更新頻度を下げてもよい。具体的には、約０．１秒〜０．５秒毎に動的閾値は更新される。
【００３６】
比較部２５は、上記動的閾値決定手段によって計算された動的閾値と、現フレームについての上記音声パラメータとを比較することによって、そのフレームが音声区間に属するか非音声区間に属するかを実時間で最終的に決定する（ステップＳ５）。最終的な判断では、区間不明は認められず、必ず音声区間か非音声区間のいずれかに決定される。フレームが音声区間に属するか非音声区間に属するかの決定についての情報は、ＶＡＤフラグとして、比較部２５及び音声区間決定装置１２０から出力される。
なお、比較部２５は、現フレーム以外のフレームについて、つまり、任意の時刻におけるフレームについて音声区間、非音声区間の判断をしてもよい。また、実時間性が求められていない場合には、実時間で音声区間、非音声区間の判断をしなくてもよい。さらに、比較部２５が出力したＶＡＤフラグを基にして、他の音声区間、非音声区間決定装置（音声区間決定装置１２０を含む。）を用いてより精度の良い音声区間、非音声区間の決定をしてもよい。
【００３７】
以下に、動的閾値決定部２９と比較部２５の一例として、動的閾値決定部２９ａ（統計量計算部２２ａと閾値決定部２４ａ）と比較部２５ａ、動的閾値決定部２９ｂ（統計量計算部２２ｂと閾値決定部２４ｂ）と比較部２５ｂについてそれぞれ説明をする。まず、図８を参照して、動的閾値決定部２９ａ（統計量計算部２２ａと閾値決定部２４ａ）と比較部２５ａについて説明をする。図８は、比較部２５ａの処理の流れを例示する図である。
動的閾値決定部２９ａの統計量計算部２２ａは、ＶＡＤフラグバッファ２７が出力した修正された仮ＶＡＤフラグと、遅延バッファ２６が出力した音声パラメータとを用いて、音声区間に属するフレームのパワーの平均値（以下、平均値Ａとする。）と、非音声区間に属するフレームのパワーの平均値（以下、平均値Ｂとする。）とをそれぞれ計算して、閾値決定部２４ａに出力する。
動的閾値決定部２９ａの閾値決定部２４ａは、上記平均値Ａを予め定められた正の定数ａで割った値（以下、動的閾値Ａとする。）と、上記平均値Ｂに予め定められた正の定数ｂをかけた値（以下、動的閾値Ｂとする。）とを計算して、比較部２５ａに出力する。すなわち、閾値決定部２４ａは、音声区間のパワーの平均値Ａ×（１／ａ）を計算して動的閾値Ａとし、非音声区間のパワーの平均値Ｂ×ｂを計算して動的閾値Ｂとする。正の定数ａとｂは、異なる値で予め実験をし、音声区間、非音声区間の精度が最も高くなるように定める。経験上、正の定数ａとｂはそれぞれ２〜１０程度の値であるとよい。
【００３８】
比較部２５ａは、あるフレームのパワーが動的閾値Ａ未満であるかどうかを判断する（ステップＳ５１ａ）。そのフレームのパワーが動的閾値Ａ未満であれば、そのフレームは非音声区間であると判定する。そうでない場合には、そのフレームのパワーが動的閾値Ｂ未満であるかどうかを判断する（ステップＳ５２ａ）。そのフレームのパワーが動的閾値Ｂ未満であれば、そのフレームは非音声区間であると判定する。そうでない場合には、そのフレームは音声区間に属すると判定する。すなわち、比較部２５ａは、フレームのパワーが、上記動的閾値Ａが未満でなく、かつ、上記動的閾値Ｂが未満でない場合に、そのフレームは音声区間に属すると決定し、それ以外の場合には、そのフレームは非音声区間に属すると判断する。
上記説明した動的閾値決定部２９ａは、音声パラメータとしてパワーを用いているが、音声パラメータとして、ピッチ相関を用いて、上記と同様の処理を行っても良い。すなわち、統計量計算部２２ａが、修正された仮ＶＡＤフラグによって音声区間に属すると決定されたフレームのピッチ相関の平均値（以下、平均値Ａ’とする。）と、修正された仮ＶＡＤフラグによって非音声区間に属すると決定されたフレームのピッチ相関の平均値（以下、平均値Ｂ’とする。）とを計算する。閾値決定部２４ａが、上記平均値Ａ’を予め定められた正の定数ａ’で割った値（以下、動的閾値Ａ’とする。）と、上記平均値Ｂ’に予め定められた正の定数ｂ’をかけた値（以下、動的閾値Ｂ’とする。）とを計算する。図９に示すように、比較部２５ａが、フレームのピッチ相関が、上記動的閾値Ａ’が未満でなく（ステップＳ５１ｃ）、かつ、上記動的閾値Ｂ’が未満でない場合に（ステップＳ５２ｃ）、そのフレームは音声区間に属すると決定し、それ以外の場合には、そのフレームは非音声区間に属すると最終的に決定してもよい。この場合の定数ａ’と定数ｂ’は、音声パラメータとしてパワーを用いる場合とは、異なる定数であってよい。
ここで、本明細書、特許請求の範囲において、ＡをＢで割るとは、Ａに、１をＢで割った値（１／Ｂ）をかけることを含むことにする。
【００３９】
また、上記説明した音声パラメータとして、パワーとピッチ相関の両方を用いる方法を組み合わせてもよい。すなわち、動的閾値決定部２９ａが、上記説明したのと同様の方法で、上記動的閾値Ａ、Ａ’、Ｂ、Ｂ’をそれぞれ計算し、比較部２５ａが、ステップＳ５１ａ、ステップＳ５２ａ、ステップＳ５１ｃ、ステップＳ５２ｃの各判断処理と同様の判断処理を少なくとも１つを行い、すべての判断処理でＮｏである場合に、音声区間と判定し、何れかの判断処理でＹｅｓである場合に非音声区間と判定してもよい。さらに、図１０に示すように、フレームのパワーが動的閾値Ａ未満及び／又はフレームのピッチ相関が動的閾値Ａ’未満であるかどうか（ステップＳ５１ｄ）と、ステップＳ５１ｄの判断処理でＮｏと判断された場合には、フレームのパワーが動的閾値Ｂ未満及び／又はフレームのピッチ相関が動的閾値Ｂ’であるかどうか（ステップＳ５２ｄ）を判断し、両ステップにおいてＮｏと判断された場合、そのフレームは音声区間に属すると判断し、何れかのステップにおいてＹｅｓと判断された場合には、そのフレームは非音声区間に属すると判断してもよい。
【００４０】
次に、図１１を参照して、動的閾値決定部２９ｂ（統計量計算部２２ｂと閾値決定部２４ｂ）と比較部２５ｂについて説明をする。図１１は、比較部２５ｂの処理の流れを例示する図である。
動的閾値決定部２９ｂの統計量計算部２２ｂは、ＶＡＤフラグバッファ２７が出力した修正された仮ＶＡＤフラグと、遅延バッファ２６が出力した音声パラメータとを用いて、音声区間に属するフレームのパワーの平均値（以下、平均値Ａとする。）及び標準偏差（以下、標準偏差Ｃとする。）と、非音声区間に属するフレームのパワーの平均値（以下、平均値Ｂとする。）及び標準偏差（以下、標準偏差Ｄとする。）とをそれぞれ計算して、閾値決定部２４ｂに出力する。
動的閾値決定部２９ｂの閾値決定部２４ｂは、上記標準偏差Ｃに予め定められた正の定数ｃをかけた値を上記平均値Ａから引いた値（以下、動的閾値Ｃとする。）と、上記標準偏差Ｄに予め定められた正の定数ｄをかけた値を上記平均値Ｂに加えた値（以下、動的閾値Ｄとする。）とを計算して、比較部２５ｂに出力する。すなわち、閾値決定部２４ｂは、音声区間のパワーの平均値Ａ−（ｃ×標準偏差Ｃ）を計算して動的閾値Ｃとし、非音声区間のパワーの平均値Ｂ＋（ｄ×標準偏差Ｄ）を計算して動的閾値Ｄとする。正の定数ｃとｄは、異なる値で予め実験をしてみて、音声区間、非音声区間の精度が最も高くなるように定める。経験上、正の定数ｃとｄはそれぞれ２〜５程度の値であるとよい。
【００４１】
比較部２５ｂは、あるフレームのパワーが動的閾値Ｃ未満であるかどうかを判断する（ステップＳ５１ｂ）。そのフレームのパワーが動的閾値Ｃ未満であれば、そのフレームは非音声区間であると判定する。そうでない場合には、そのフレームのパワーが動的閾値Ｄ未満であるかどうかを判断する（ステップＳ５２ｂ）。そのフレームのパワーが動的閾値Ｄ未満であれば、そのフレームは非音声区間であると判定する。そうでない場合には、そのフレームは音声区間に属すると判定する。すなわち、比較部２５ｂは、フレームのパワーが、上記動的閾値Ｃが未満であり、かつ、上記動的閾値Ｄが未満である場合に、そのフレームは音声区間に属すると決定し、それ以外の場合には、そのフレームは非音声区間に属すると判断する。
【００４２】
［変形例等］
図２に破線で示すように、ステップＳ４とステップＳ５の処理を行わずに、ステップＳ３の処理で、音声区間、非音声区間の判定の処理を終えてもよい。すなわち、ＶＡＤフラグバッファ２７から出力された修正された仮ＶＡＤフラグを、フレームが、音声区間に属するか非音声区間に属するかの最終的な情報として用いてもよい。
ＶＡＤフラグバッファ修正処理指示部２８の例である≪修正例１≫〜≪修正例３≫は適宜組み合わせることができる。すなわち、ＶＡＤフラグバッファ修正処理指示部２８は、図５〜図７に記載した各処理を重ねて行ってもよい。すなわち、予め定めた規則として、≪修正例１≫〜≪修正例３≫で説明した条件を少なくともひとつ有しており、何れかの条件に当てはまったときに、その条件に対応した≪修正例１≫〜≪修正例３≫で説明した仮ＶＡＤフラグの修正を行ってもよい。
また、≪修正例１≫〜≪修正例３≫では、音声パラメータとしてパワーを用いているが、パワーに限らず、例えばピッチ相関等の任意の音声パラメータを用いてよい。
【００４３】
上記仮音声区間決定装置、音声区間決定装置の処理機能をコンピュータによって実現することができる。この場合、仮音声区間決定装置、音声区間決定装置の処理の内容はプログラムによって記述される。そして、このプログラムを、コンピュータで実行することにより、仮音声区間決定装置、音声区間決定装置の処理機能がコンピュータ上で実現される。
この処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体としては、例えば、磁気記録装置、光ディスク、光磁気記録媒体、半導体メモリ等どのようなものでもよい。具体的には、例えば、磁気記録装置として、ハードディスク装置、フレキシブルディスク、磁気テープ等を、光ディスクとして、ＤＶＤ（Digital Versatile Disc）、ＤＶＤ−ＲＡＭ（Random Access Memory）、ＣＤ−ＲＯＭ（Compact Disc Read Only Memory）、ＣＤ−Ｒ（Recordable）／ＲＷ（ReWritable）等を、光磁気記録媒体として、ＭＯ（Magneto-Optical disc）等を、半導体メモリとしてＥＥＰ−ＲＯＭ（Electronically Erasable and Programmable-Read Only Memory）等を用いることができる。
【００４４】
また、このプログラムの流通は、例えば、そのプログラムを記録したＤＶＤ、ＣＤ−ＲＯＭ等の可搬型記録媒体を販売、譲渡、貸与等することによって行う。さらに、このプログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することにより、このプログラムを流通させる構成としてもよい。
このようなプログラムを実行するコンピュータは、例えば、まず、可搬型記録媒体に記録されたプログラムもしくはサーバコンピュータから転送されたプログラムを、一旦、自己の記憶装置に格納する。そして、処理の実行時、このコンピュータは、自己の記録媒体に格納されたプログラムを読み取り、読み取ったプログラムに従った処理を実行する。また、このプログラムの別の実行形態として、コンピュータが可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することとしてもよく、さらに、このコンピュータにサーバコンピュータからプログラムが転送されるたびに、逐次、受け取ったプログラムに従った処理を実行することとしてもよい。また、サーバコンピュータから、このコンピュータへのプログラムの転送は行わず、その実行指示と結果取得のみによって処理機能を実現する、いわゆるＡＳＰ（Application Service Provider）型のサービスによって、上述の処理を実行する構成としてもよい。なお、本形態におけるプログラムには、電子計算機による処理用に供する情報であってプログラムに準ずるもの（コンピュータに対する直接の指令ではないがコンピュータの処理を規定する性質を有するデータ等）を含むものとする。
【００４５】
また、この形態では、コンピュータ上で所定のプログラムを実行させることにより、仮音声区間決定装置を構成することとしたが、これらの処理内容の少なくとも一部をハードウェア的に実現することとしてもよい。
以上の各実施形態の他、本発明である仮音声区間決定装置、方法、プログラム及びその記録媒体、音声区間決定装置は上述の実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で適宜変更が可能である。
【産業上の利用可能性】
【００４６】
パケット通信網上で音声通信を行う利用形態が普及してきており、本発明を適用することによって、安価で品質の高い多地点音声通信会議が実現できる。また、音声認識の前段で本発明による音声区間決定装置、方法、プログラム及びその記録媒体の何れかが利用される場合には、その音声認識システムにおける音声認識の誤りを減らすことができる。
【図面の簡単な説明】
【００４７】
【図１】本発明による音声区間決定装置１２０の機能構成を例示する図。
【図２】本発明による音声区間決定装置１２０の処理の流れを例示する図。
【図３】本発明による仮判定部２１の処理の流れを例示する図。
【図４】本発明による仮判定部２１の処理の流れを例示する図。
【図５】本発明によるＶＡＤフラグバッファ修正処理指示部２８ａの処理の流れを例示する図。
【図６】本発明によるＶＡＤフラグバッファ修正処理指示部２８ｂの処理の流れを例示する図。
【図７】本発明によるＶＡＤフラグバッファ修正処理指示部２８ｃの処理の流れを例示する図。
【図８】本発明による比較部２５ａの処理の流れを例示する図
【図９】本発明による比較部２５ａの処理の流れを例示する図。
【図１０】本発明による比較部２５ａの処理の流れを例示する図。
【図１１】本発明による比較部２５ｂの処理の流れを例示する図。
【図１２】従来技術による音声パケット送信部１０の機能構成を例示する図。
【図１３】従来技術による音声区間決定部１２の機能構成を例示する図。
【図１４】従来技術による音声区間決定部１２の処理の流れを例示する図。
【特許請求の範囲】
【請求項１】
入力された音声信号からフレーム毎に音声パラメータを計算するパラメータ計算手段と、
上記音声パラメータを、予め定められたフレーム数分だけ蓄積する遅延バッファと、
上記音声パラメータから、その音声パラメータに係るフレームが、音声区間に属するか非音声区間に属するかを仮に決定する仮判定手段と、
上記仮判定手段によって決定された、音声区間に属するか非音声区間に属するかについての仮の情報（以下、仮ＶＡＤフラグとする。）を、予め定められたフレーム数分だけ蓄積した後に、修正された仮ＶＡＤフラグとして出力するＶＡＤフラグバッファと、
ＶＡＤフラグバッファに蓄積された仮ＶＡＤフラグを、上記遅延バッファから読み出した音声パラメータの経時的変化を観測することにより、予め定めた規則に基づいて修正するＶＡＤフラグバッファ修正処理指示手段と、
を有する仮音声区間決定装置。
【請求項２】
請求項１に記載された仮音声区間決定装置において、
上記仮判定手段は、上記音声パラメータから、その音声パラメータに係るフレームが、音声区間に属するか、非音声区間に属するか、属する区間が不明であるかを仮に決定する手段であり、
上記ＶＡＤフラグバッファは、上記仮判定手段によって決定された、音声区間に属するか、非音声区間に属するか、属する区間が不明であるかについての仮の情報（以下、仮ＶＡＤフラグとする。）を、予め定められたフレーム数分だけ蓄積した後に、修正された仮ＶＡＤフラグとして出力する手段であり、
上記ＶＡＤフラグバッファ修正処理指示手段は、ＶＡＤフラグバッファに蓄積された仮ＶＡＤフラグを、上記遅延バッファから読み出した音声パラメータの経時的変化を観測することにより、予め定めた規則に基づいて修正し、さらに、すべてのフレームに係る仮ＶＡＤフラグを音声区間に属するか、非音声区間に属するかに必ず決定する手段である、
ことを特徴とする仮音声区間決定装置。
【請求項３】
請求項１又は請求項２に記載の仮音声区間決定装置において、
上記ＶＡＤフラグバッファ修正処理指示手段は、あるフレームの音声パラメータと予め定められた値とを比較して、その比較結果によって、そのフレームよりも時間的に前の予め定められた数のフレームに係る仮ＶＡＤフラグを修正する手段を含む、
ことを特徴とする仮音声区間決定装置。
【請求項４】
請求項１から請求項３の何れかに記載の仮音声区間決定装置において、
上記ＶＡＤフラグバッファ修正処理指示手段は、あるフレームの音声パラメータと、そのフレームよりも時間的に前のフレームの音声パラメータとを比較して、その比較結果によって、その時間的に前のフレームに係る仮ＶＡＤフラグを修正する手段を含む、
ことを特徴とする仮音声区間決定装置。
【請求項５】
請求項１から請求項４の何れかに記載の仮音声区間決定装置において、
上記ＶＡＤフラグバッファ修正処理指示手段は、あるフレームの音声パラメータと、そのフレームよりも時間的に前の予め定められた数の各フレームの音声パラメータ及びそのフレームよりも時間的に後の予め定められた数の各フレームの音声パラメータとを比較して、その比較結果によって、上記あるフレームに係る仮ＶＡＤフラグを修正する手段を含む、
ことを特徴とする仮音声区間決定装置。
【請求項６】
請求項１から請求項５の何れかに記載の仮音声区間決定装置において、
上記ＶＡＤフラグバッファ修正処理指示手段は、あるフレームの音声パラメータと、そのフレームと時間的に前後する少なくとも１つのフレームの音声パラメータとの平均値を、それらのフレームよりも時間的に前の予め定められた数の各フレームの音声パラメータ及びそれらのフレームよりも時間的に後の予め定められた数の各フレームの音声パラメータとを比較して、その比較結果によって、上記あるフレームと上記そのフレームと時間的に前後する少なくとも１つのフレームとに係る仮ＶＡＤフラグを修正する手段を含む、
ことを特徴とする仮音声区間決定装置。
【請求項７】
請求項１から請求項６の何れかに記載の仮音声区間決定装置において、
上記ＶＡＤフラグバッファ修正処理指示手段は、音声パラメータに定数を乗じたものを比較することを特徴とする仮音声区間決定装置。
【請求項８】
請求項１から請求項７の何れかに記載の仮音声区間決定装置において、
音声パラメータとして、パワーとピッチ相関値の少なくともひとつが用いられることを特徴とする仮音声区間決定装置。
【請求項９】
請求項１から請求項８の何れかに記載の仮音声区間決定装置から出力された修正された仮ＶＡＤフラグを、音声区間に属するか、非音声区間に属するかの最終的な情報とする音声区間決定装置。
【請求項１０】
請求項１から請求項８の何れかに記載された仮音声区間決定装置を有し、
さらに、
上記仮音声区間決定装置から出力された修正された仮ＶＡＤフラグによって、音声区間に属すると決定されたフレーム及び／又は非音声区間に属すると決定されたフレームの音声パラメータから、音声区間に属するか非音声区間に属するかを決定するための動的閾値を所定の時間間隔ごとに計算する動的閾値決定手段と、
上記動的閾値決定手段によって計算された動的閾値と、あるフレームについての上記音声パラメータとを比較することによって、そのフレームが音声区間に属するか非音声区間に属するかを最終的に決定する比較手段と、
を有する音声区間決定装置。
【請求項１１】
請求項１０に記載された音声区間決定装置において、
上記動的閾値決定手段は、
上記仮音声区間決定装置から出力された修正された仮ＶＡＤフラグによって音声区間に属すると決定されたフレームの音声パラメータの平均値（以下、平均値Ａとする。）と、上記音声区間決定装置から出力された修正された仮ＶＡＤフラグによって非音声区間に属すると決定されたフレームの音声パラメータの平均値（以下、平均値Ｂとする。）とを計算する統計量計算手段と、
上記平均値Ａを予め定められた正の定数ａで割った値（以下、動的閾値Ａとする。）と、上記平均値Ｂに予め定められた正の定数ｂをかけた値（以下、動的閾値Ｂとする。）とを計算する閾値決定手段と、
を有し、
上記比較手段は、フレームのパワーが、上記動的閾値Ａが未満であり、かつ、上記動的閾値Ｂが未満である場合に、そのフレームは音声区間に属すると決定し、それ以外の場合には、そのフレームは非音声区間に属すると最終的に決定する手段である、
ことを特徴とする音声区間決定装置。
【請求項１２】
請求項１０に記載された音声区間決定装置において、
上記動的閾値決定手段は、
上記仮音声区間決定装置から出力された修正された仮ＶＡＤフラグによって音声区間に属すると決定されたフレームのパワーの平均値（以下、平均値Ａとする。）及び標準偏差（以下、標準偏差Ｃとする。）と、上記音声区間決定装置から出力された修正された仮ＶＡＤフラグによって非音声区間に属すると決定されたフレームのパワーの平均値（以下、平均値Ｂとする。）及び標準偏差（以下、標準偏差Ｄとする。）とを計算する統計量計算手段と、
上記標準偏差Ｃに予め定められた正の定数ｃをかけた値を上記平均値Ａから引いた値（以下、動的閾値Ｃとする。）と、上記標準偏差Ｄに予め定められた正の定数ｄをかけた値を上記平均値Ｂに加えた値（以下、動的閾値Ｄとする。）とを計算する閾値決定手段と、
を有し、
上記比較手段は、フレームのパワーが、上記動的閾値Ｃが未満であり、かつ、上記動的閾値Ｄが未満である場合に、そのフレームは音声区間に属すると決定し、それ以外の場合には、そのフレームは非音声区間に属すると最終的に決定する手段である、
ことを特徴とする音声区間決定装置。
【請求項１３】
入力された音声信号からフレーム毎に音声パラメータを計算して、予め定められたフレーム数分の音声パラメータを蓄積する遅延バッファに蓄積する蓄積ステップと、
上記計算された音声パラメータから、その音声パラメータに係るフレームが、音声区間に属するか非音声区間に属するかについての仮の情報（以下、仮ＶＡＤフラグとする。）を決定して、ＶＡＤフラグバッファに蓄積する仮判定ステップと、
ＶＡＤフラグバッファに蓄積された仮ＶＡＤフラグを、上記遅延バッファから読み出した音声パラメータの経時的変化を観測することにより、予め定めた規則に基づいて修正するＶＡＤフラグバッファ修正処理指示ステップと、
を有する音声区間決定方法。
【請求項１４】
請求項１から請求項８の何れかに記載した仮音声区間決定装置としてコンピュータを機能させるための仮音声区間決定プログラム。
【請求項１５】
請求項１４に記載された仮音声区間決定プログラムを記録した仮音声区間決定プログラム記録媒体。
【請求項１】
入力された音声信号からフレーム毎に音声パラメータを計算するパラメータ計算手段と、
上記音声パラメータを、予め定められたフレーム数分だけ蓄積する遅延バッファと、
上記音声パラメータから、その音声パラメータに係るフレームが、音声区間に属するか非音声区間に属するかを仮に決定する仮判定手段と、
上記仮判定手段によって決定された、音声区間に属するか非音声区間に属するかについての仮の情報（以下、仮ＶＡＤフラグとする。）を、予め定められたフレーム数分だけ蓄積した後に、修正された仮ＶＡＤフラグとして出力するＶＡＤフラグバッファと、
ＶＡＤフラグバッファに蓄積された仮ＶＡＤフラグを、上記遅延バッファから読み出した音声パラメータの経時的変化を観測することにより、予め定めた規則に基づいて修正するＶＡＤフラグバッファ修正処理指示手段と、
を有する仮音声区間決定装置。
【請求項２】
請求項１に記載された仮音声区間決定装置において、
上記仮判定手段は、上記音声パラメータから、その音声パラメータに係るフレームが、音声区間に属するか、非音声区間に属するか、属する区間が不明であるかを仮に決定する手段であり、
上記ＶＡＤフラグバッファは、上記仮判定手段によって決定された、音声区間に属するか、非音声区間に属するか、属する区間が不明であるかについての仮の情報（以下、仮ＶＡＤフラグとする。）を、予め定められたフレーム数分だけ蓄積した後に、修正された仮ＶＡＤフラグとして出力する手段であり、
上記ＶＡＤフラグバッファ修正処理指示手段は、ＶＡＤフラグバッファに蓄積された仮ＶＡＤフラグを、上記遅延バッファから読み出した音声パラメータの経時的変化を観測することにより、予め定めた規則に基づいて修正し、さらに、すべてのフレームに係る仮ＶＡＤフラグを音声区間に属するか、非音声区間に属するかに必ず決定する手段である、
ことを特徴とする仮音声区間決定装置。
【請求項３】
請求項１又は請求項２に記載の仮音声区間決定装置において、
上記ＶＡＤフラグバッファ修正処理指示手段は、あるフレームの音声パラメータと予め定められた値とを比較して、その比較結果によって、そのフレームよりも時間的に前の予め定められた数のフレームに係る仮ＶＡＤフラグを修正する手段を含む、
ことを特徴とする仮音声区間決定装置。
【請求項４】
請求項１から請求項３の何れかに記載の仮音声区間決定装置において、
上記ＶＡＤフラグバッファ修正処理指示手段は、あるフレームの音声パラメータと、そのフレームよりも時間的に前のフレームの音声パラメータとを比較して、その比較結果によって、その時間的に前のフレームに係る仮ＶＡＤフラグを修正する手段を含む、
ことを特徴とする仮音声区間決定装置。
【請求項５】
請求項１から請求項４の何れかに記載の仮音声区間決定装置において、
上記ＶＡＤフラグバッファ修正処理指示手段は、あるフレームの音声パラメータと、そのフレームよりも時間的に前の予め定められた数の各フレームの音声パラメータ及びそのフレームよりも時間的に後の予め定められた数の各フレームの音声パラメータとを比較して、その比較結果によって、上記あるフレームに係る仮ＶＡＤフラグを修正する手段を含む、
ことを特徴とする仮音声区間決定装置。
【請求項６】
請求項１から請求項５の何れかに記載の仮音声区間決定装置において、
上記ＶＡＤフラグバッファ修正処理指示手段は、あるフレームの音声パラメータと、そのフレームと時間的に前後する少なくとも１つのフレームの音声パラメータとの平均値を、それらのフレームよりも時間的に前の予め定められた数の各フレームの音声パラメータ及びそれらのフレームよりも時間的に後の予め定められた数の各フレームの音声パラメータとを比較して、その比較結果によって、上記あるフレームと上記そのフレームと時間的に前後する少なくとも１つのフレームとに係る仮ＶＡＤフラグを修正する手段を含む、
ことを特徴とする仮音声区間決定装置。
【請求項７】
請求項１から請求項６の何れかに記載の仮音声区間決定装置において、
上記ＶＡＤフラグバッファ修正処理指示手段は、音声パラメータに定数を乗じたものを比較することを特徴とする仮音声区間決定装置。
【請求項８】
請求項１から請求項７の何れかに記載の仮音声区間決定装置において、
音声パラメータとして、パワーとピッチ相関値の少なくともひとつが用いられることを特徴とする仮音声区間決定装置。
【請求項９】
請求項１から請求項８の何れかに記載の仮音声区間決定装置から出力された修正された仮ＶＡＤフラグを、音声区間に属するか、非音声区間に属するかの最終的な情報とする音声区間決定装置。
【請求項１０】
請求項１から請求項８の何れかに記載された仮音声区間決定装置を有し、
さらに、
上記仮音声区間決定装置から出力された修正された仮ＶＡＤフラグによって、音声区間に属すると決定されたフレーム及び／又は非音声区間に属すると決定されたフレームの音声パラメータから、音声区間に属するか非音声区間に属するかを決定するための動的閾値を所定の時間間隔ごとに計算する動的閾値決定手段と、
上記動的閾値決定手段によって計算された動的閾値と、あるフレームについての上記音声パラメータとを比較することによって、そのフレームが音声区間に属するか非音声区間に属するかを最終的に決定する比較手段と、
を有する音声区間決定装置。
【請求項１１】
請求項１０に記載された音声区間決定装置において、
上記動的閾値決定手段は、
上記仮音声区間決定装置から出力された修正された仮ＶＡＤフラグによって音声区間に属すると決定されたフレームの音声パラメータの平均値（以下、平均値Ａとする。）と、上記音声区間決定装置から出力された修正された仮ＶＡＤフラグによって非音声区間に属すると決定されたフレームの音声パラメータの平均値（以下、平均値Ｂとする。）とを計算する統計量計算手段と、
上記平均値Ａを予め定められた正の定数ａで割った値（以下、動的閾値Ａとする。）と、上記平均値Ｂに予め定められた正の定数ｂをかけた値（以下、動的閾値Ｂとする。）とを計算する閾値決定手段と、
を有し、
上記比較手段は、フレームのパワーが、上記動的閾値Ａが未満であり、かつ、上記動的閾値Ｂが未満である場合に、そのフレームは音声区間に属すると決定し、それ以外の場合には、そのフレームは非音声区間に属すると最終的に決定する手段である、
ことを特徴とする音声区間決定装置。
【請求項１２】
請求項１０に記載された音声区間決定装置において、
上記動的閾値決定手段は、
上記仮音声区間決定装置から出力された修正された仮ＶＡＤフラグによって音声区間に属すると決定されたフレームのパワーの平均値（以下、平均値Ａとする。）及び標準偏差（以下、標準偏差Ｃとする。）と、上記音声区間決定装置から出力された修正された仮ＶＡＤフラグによって非音声区間に属すると決定されたフレームのパワーの平均値（以下、平均値Ｂとする。）及び標準偏差（以下、標準偏差Ｄとする。）とを計算する統計量計算手段と、
上記標準偏差Ｃに予め定められた正の定数ｃをかけた値を上記平均値Ａから引いた値（以下、動的閾値Ｃとする。）と、上記標準偏差Ｄに予め定められた正の定数ｄをかけた値を上記平均値Ｂに加えた値（以下、動的閾値Ｄとする。）とを計算する閾値決定手段と、
を有し、
上記比較手段は、フレームのパワーが、上記動的閾値Ｃが未満であり、かつ、上記動的閾値Ｄが未満である場合に、そのフレームは音声区間に属すると決定し、それ以外の場合には、そのフレームは非音声区間に属すると最終的に決定する手段である、
ことを特徴とする音声区間決定装置。
【請求項１３】
入力された音声信号からフレーム毎に音声パラメータを計算して、予め定められたフレーム数分の音声パラメータを蓄積する遅延バッファに蓄積する蓄積ステップと、
上記計算された音声パラメータから、その音声パラメータに係るフレームが、音声区間に属するか非音声区間に属するかについての仮の情報（以下、仮ＶＡＤフラグとする。）を決定して、ＶＡＤフラグバッファに蓄積する仮判定ステップと、
ＶＡＤフラグバッファに蓄積された仮ＶＡＤフラグを、上記遅延バッファから読み出した音声パラメータの経時的変化を観測することにより、予め定めた規則に基づいて修正するＶＡＤフラグバッファ修正処理指示ステップと、
を有する音声区間決定方法。
【請求項１４】
請求項１から請求項８の何れかに記載した仮音声区間決定装置としてコンピュータを機能させるための仮音声区間決定プログラム。
【請求項１５】
請求項１４に記載された仮音声区間決定プログラムを記録した仮音声区間決定プログラム記録媒体。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【公開番号】特開２００８−１５１８４０（Ｐ２００８−１５１８４０Ａ）
【公開日】平成２０年７月３日（２００８．７．３）
【国際特許分類】
【出願番号】特願２００６−３３６８５８（Ｐ２００６−３３６８５８）
【出願日】平成１８年１２月１４日（２００６．１２．１４）
【出願人】（０００００４２２６）日本電信電話株式会社 (13,992)
【Ｆターム（参考）】
【公開日】平成２０年７月３日（２００８．７．３）
【国際特許分類】
【出願日】平成１８年１２月１４日（２００６．１２．１４）
【出願人】（０００００４２２６）日本電信電話株式会社 (13,992)
【Ｆターム（参考）】
[ Back to top ]