通話録音装置、通話録音プログラム、音声認識サーバ、音声認識プログラム、通話録音システムおよび通話録音方法
【課題】通話における上り音声と下り音声を分離して再生可能で、データ容量の小さい録音データを生成する。
【解決手段】通話録音装置１は、モノラル化メイン音声データ６１を生成し、下り音声データのレベルが所定値以上である場合、モノラル化メイン音声データ６１に、真を設定した分離ビットを設定する。ダブルトークが検出された場合、通話録音装置１は、モノラル化メイン音声データ６１に、真を設定したダブルトークビットを設定し、モノラル化サブ音声データ６２を生成する。音声認識サーバ２は、ダブルトークビットが真の場合、モノラル化メイン音声データ６１とモノラル化サブ音声データ６２から、上り音声データおよび下り音声データを生成して出力する。音声認識サーバ２は、ダブルトークビットが偽でかつ分離ビットが真の場合、モノラル化メイン音声データ６１を下り音声データとして出力し、分離ビットが偽の場合、上り音声データとして出力する。
【解決手段】通話録音装置１は、モノラル化メイン音声データ６１を生成し、下り音声データのレベルが所定値以上である場合、モノラル化メイン音声データ６１に、真を設定した分離ビットを設定する。ダブルトークが検出された場合、通話録音装置１は、モノラル化メイン音声データ６１に、真を設定したダブルトークビットを設定し、モノラル化サブ音声データ６２を生成する。音声認識サーバ２は、ダブルトークビットが真の場合、モノラル化メイン音声データ６１とモノラル化サブ音声データ６２から、上り音声データおよび下り音声データを生成して出力する。音声認識サーバ２は、ダブルトークビットが偽でかつ分離ビットが真の場合、モノラル化メイン音声データ６１を下り音声データとして出力し、分離ビットが偽の場合、上り音声データとして出力する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、通話における上り音声と下り音声を分離して再生可能な録音データを出力する通話録音装置、通話録音プログラム、録音データを再生する音声認識サーバ、音声認識プログラム、録音データを出力および再生する通話録音システムおよび通話録音方法に関する。
【背景技術】
【０００２】
従来、コールセンターなどにおいて、オペレータと顧客の通話内容を録音する通話録音装置が知られている。通話の録音データは、通話内容の確認や顧客サービス向上のために参照される場合がある。従って、オペレータの顧客への通話と、顧客のオペレータへの通話とを、それぞれ区別して記録することが好ましい。
【０００３】
そのため、通話の録音データを、上りの通話と下りの通話とに分離して記録する技術がある（特許文献１参照。）。この特許文献１に記載の技術では、使用者の通話の上り音声通話と、相手側の通話の下り音声通話を別々に録音する。これにより、例えば使用者の音声で使用者が話した単語やフレーズを入力することにより、使用者の通話の上り音声通話から、その音声波形と略一致する波形を持つ録音データを検索することができる。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２００６−１６５８４６号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかしながら、特許文献１に記載の方法では、上り音声通話と下り音声通話を分離して記録するため、分離しないで記録する場合に比べて、録音データの容量が２倍になってしまう。コールセンターなどにおいては特に、多数の通話を録音する必要がある。従って録音データの容量が２倍になってしまうと、システム全体で、記録媒体のコストが増大してしまう問題がある。
【０００６】
そこで、上りの通話と下りの通話を分離して再生可能で、かつ、データ容量の小さい録音データを生成可能な通話録音装置の開発が期待されている。
【０００７】
従って本発明の目的は、上りの通話と下りの通話を分離して再生可能で、データ容量の小さい録音データの通話録音装置、通話録音プログラム、音声認識サーバ、音声認識プログラム、通話録音システムおよび通話録音方法を提供することである。
【課題を解決するための手段】
【０００８】
上記課題を解決するために、本発明の第１の特徴は、通話における第１の音声と第２の音声を分離して再生可能な録音データを生成する通話録音装置に関する。すなわち本発明の第１の特徴に係る通話録音装置は、第１の音声データと第２の音声データとを合成して、モノラル化メイン音声データを生成し、第２の音声データのレベルが所定値以上である場合、当該モノラル化メイン音声データに、真を設定した分離ビットを設定し、第１の音声データと第２の音声データのダブルトークが検出された場合、当該モノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、第１の音声データと第２の音声データとの差分から、モノラル化サブ音声データを生成するモノラル化手段を備える。
【０００９】
ここでモノラル化手段は、第２の音声データのレベルが所定値以上であるフレームのビットに、分離ビットを設定するとともに、ダブルトークを検出したフレームのビットに、ダブルトークビットを設定し、ダブルトークが検出されたフレームについて、当該モノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、第１の音声データと第２の音声データとの差分から、モノラル化サブ音声データを生成することが好ましい。
【００１０】
また通話録音装置は、電話機本体と第１のハンドセットラインで接続されるとともに、受話器と第２のハンドセットラインで接続され、第１の音声データおよび第２の音声データは、第１および第２のハンドセットラインから取得したアナログ音声を、デジタル化したデータである。
【００１１】
本発明の第２の特徴は、通話における第１の音声と第２の音声を分離して再生可能な録音データを生成する通話録音装置に用いられる通話録音プログラムに関する。すなわち本発明の第２の特徴に係る通話録音プログラムは、第１の音声データと第２の音声データとを合成して、モノラル化メイン音声データを生成し、第２の音声データのレベルが所定値以上である場合、当該モノラル化メイン音声データに、真を設定した分離ビットを設定し、第１の音声データと第２の音声データのダブルトークが検出された場合、当該モノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、第１の音声データと第２の音声データとの差分から、モノラル化サブ音声データを生成するモノラル化手段として、通話録音装置に内蔵されたコンピュータを機能させる。
【００１２】
ここでモノラル化手段は、第２の音声データのレベルが所定値以上であるフレームのビットに、分離ビットを設定するとともに、ダブルトークを検出したフレームのビットに、ダブルトークビットを設定し、ダブルトークが検出されたフレームについて、当該モノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、第１の音声データと第２の音声データとの差分から、モノラル化サブ音声データを生成する。
【００１３】
本発明の第３の特徴は、第１の音声と第２の音声を分離して再生する音声認識サーバに関する。すなわち本発明の第３の特徴に係る音声認識サーバは、第１の音声データと第２の音声データを合成して生成され、第２の音声データのレベルが所定値以上であることを示す分離ビットと、第１の音声データと第２の音声データのダブルトークを示すダブルトークビットとを含むモノラル化メイン音声データと、ダブルトークが検出された際、第１の音声データと第２の音声データとの差分から生成されたモノラル化サブ音声データと、が記憶された記憶装置と、モノラル化メイン音声データから分離ビットとダブルトークビットを取得し、ダブルトークビットが真の場合、モノラル化メイン音声データとモノラル化サブ音声データから、第１の音声データおよび第２の音声データを生成して出力し、ダブルトークビットが偽でかつ分離ビットが真の場合、モノラル化メイン音声データを第２の音声データとして出力し、分離ビットが偽の場合、モノラル化メイン音声データを第１の音声データとして出力するステレオ化手段を備える。
【００１４】
ここで分離ビットは、第２の音声データのレベルが所定値以上であるフレームのビットに設定され、ダブルトークビットは、ダブルトークを検出したフレームのビットに設定されても良い。この場合ステレオ化手段は、ダブルトークビットが真のフレームについて、モノラル化メイン音声データとモノラル化サブ音声データから、当該フレームの第１の音声データおよび第２の音声データを生成して出力し、ダブルトークビットが偽でかつ分離ビットが真のフレームについて、モノラル化メイン音声データから、当該フレームの第２の音声データを出力し、ダブルトークビットが偽でかつ分離ビットが偽のフレームについて、モノラル化メイン音声データから、当該フレームの第１の音声データを出力する。
【００１５】
本発明の第４の特徴は、第１の音声と第２の音声を分離して再生する音声認識サーバに用いる音声認識プログラムに関する。すなわち本発明の第４の特徴に係る音声認識プログラムは、コンピュータを、第１の音声データと第２の音声データを合成して生成され、第２の音声データのレベルが所定値以上であることを示す分離ビットと、第１の音声データと第２の音声データのダブルトークを示すダブルトークビットとを含むモノラル化メイン音声データと、ダブルトークが検出された際、第１の音声データと第２の音声データとの差分から生成されたモノラル化サブ音声データとを取得して、記憶装置に記憶する録音データ取得手段と、モノラル化メイン音声データから分離ビットを取得するとともに、モノラル化メイン音声データからダブルトークビットを取得し、ダブルトークビットが真の場合、モノラル化メイン音声データとモノラル化サブ音声データから、第１の音声データおよび第２の音声データを生成して出力し、ダブルトークビットが偽でかつ分離ビットが真の場合、モノラル化メイン音声データを第２の音声データとして出力し、分離ビットが偽の場合、モノラル化メイン音声データを第１の音声データとして出力するステレオ化手段として機能させる。
【００１６】
ここで分離ビットは、モノラル化メイン音声データにおいて、第２の音声データのレベルが所定値以上であるフレームのビットに設定され、ダブルトークビットは、モノラル化メイン音声データにおいて、ダブルトークを検出したフレームのビットに設定されても良い。この場合ステレオ化手段は、ダブルトークビットが真のフレームについて、モノラル化メイン音声データとモノラル化サブ音声データから、当該フレームの第１の音声データおよび第２の音声データを生成して出力し、ダブルトークビットが偽でかつ分離ビットが真のフレームについて、モノラル化メイン音声データから、当該フレームの第２の音声データを出力し、ダブルトークビットが偽でかつ分離ビットが偽のフレームについて、モノラル化メイン音声データから、当該フレームの第１の音声データを出力する。
【００１７】
本発明の第５の特徴は、通話における第１の音声と第２の音声を分離して再生可能な録音データを生成し、再生する通話録音システムに関する。本発明の第５の特徴に係る通話録音システムは、通話録音装置と、音声認識サーバと、を備える。通話録音装置は、第１の音声データと第２の音声データとを合成して、モノラル化メイン音声データを生成し、第２の音声データのレベルが所定値以上である場合、当該モノラル化メイン音声データに、真を設定した分離ビットを設定し、第１の音声データと第２の音声データのダブルトークが検出された場合、当該モノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、第１の音声データと第２の音声データとの差分から、モノラル化サブ音声データを生成するモノラル化手段を備える。音声認識サーバは、第１の音声データと第２の音声データを合成して生成され、第２の音声データのレベルが所定値以上であることを示す分離ビットと、第１の音声データと第２の音声データのダブルトークを示すダブルトークビットとを含むモノラル化メイン音声データと、ダブルトークが検出された際、第１の音声データと第２の音声データとの差分から生成されたモノラル化サブ音声データと、が記憶された記憶装置と、モノラル化メイン音声データから分離ビットを取得するとともに、モノラル化メイン音声データからダブルトークビットを取得し、ダブルトークビットが真の場合、モノラル化メイン音声データとモノラル化サブ音声データから、第１の音声データおよび第２の音声データを生成して出力し、ダブルトークビットが偽でかつ分離ビットが真の場合、モノラル化メイン音声データを第２の音声データとして出力し、分離ビットが偽の場合、モノラル化メイン音声データを第１の音声データとして出力するステレオ化手段を備える。
【００１８】
本発明の第６の特徴は、通話における第１の音声と第２の音声を分離して再生可能な録音データを生成する通話録音方法に関する。本発明の第６の特徴に係る通話録音方法は、第１の音声データと第２の音声データとを合成して、モノラル化メイン音声データを生成するステップと、第２の音声データのレベルが所定値以上である場合、当該モノラル化メイン音声データに、真を設定した分離ビットを設定するステップと、第１の音声データと第２の音声データのダブルトークが検出された場合、当該モノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、第１の音声データと第２の音声データとの差分から、モノラル化サブ音声データを生成するステップと、を備える。
【００１９】
ここで録音データを再生する際、モノラル化メイン音声データから分離ビットを取得するとともに、モノラル化メイン音声データからダブルトークビットを取得するステップと、ダブルトークビットが真の場合、モノラル化メイン音声データとモノラル化サブ音声データから、第１の音声データおよび第２の音声データを生成して出力するステップと、ダブルトークビットが偽でかつ分離ビットが真の場合、モノラル化メイン音声データを第２の音声データとして出力するステップと、分離ビットが偽の場合、モノラル化メイン音声データを第１の音声データとして出力するステップと、をさらに備えることが好ましい。
【発明の効果】
【００２０】
本発明によれば、通話における上り音声と下り音声を分離して再生可能で、データ容量の小さい録音データの通話録音装置、通話録音プログラム、音声認識サーバ、音声認識プログラム、通話録音システムおよび通話録音方法を提供することができる。
【図面の簡単な説明】
【００２１】
【図１】本発明の実施の形態に係る通話録音システムのシステム構成を説明する図である。
【図２】本発明の実施の形態に係る通話録音装置の接続を説明する図である。
【図３】本発明の実施の形態に係る通話録音システムにおいて送受信されるデータを説明する図である。
【図４】本発明の実施の形態に係る通話録音装置のハードウェア構成図である。
【図５】本発明の実施の形態に係る通話録音装置のモノラル化手段によるモノラル化処理を説明するフローチャートである。
【図６】本発明の実施の形態に係る通話録音装置のモノラル化手段の機能ブロックを説明する図である。
【図７】本発明の実施の形態に係るモノラル化処理において、上り音声データおよび下り音声データの各フレームについて、フレームのサンプルごとにモノラル化する処理を説明する図である。
【図８】本発明の実施の形態に係るモノラル化処理において、フレームごとにモノラル化される処理を説明する図である。
【図９】本発明の実施の形態に係るモノラル化メイン音声データの構成を説明する図である。
【図１０】本発明の実施の形態に係る音声認識サーバのハードウェア構成および機能ブロックを説明する図である。
【図１１】本発明の実施の形態に係る音声認識サーバのステレオ化手段によるステレオ化処理を説明するフローチャートである。
【図１２】本発明の実施の形態に係る音声認識サーバのステレオ化手段の機能ブロックを説明する図である。
【図１３】本発明の実施の形態に係る通話録音システムの録音データの容量の削減効果を説明する図である。
【発明を実施するための形態】
【００２２】
次に、図面を参照して、本発明の実施の形態を説明する。以下の図面の記載において、同一または類似の部分には同一または類似の符号を付している。
【００２３】
（通話録音システム）
図１を参照して、本発明の実施の形態に係る通話録音システム６を説明する。通話録音システム６は、通話における第１の音声と第２の音声を分離して再生可能な録音データ６０を生成し、再生する。本発明の実施の形態に係る通話録音システム６は、コールセンターに設置されることを想定する。従って、第１の音声とは、例えば、コールセンターのオペレータが顧客に通話する音声で、第２の音声とは、顧客がオペレータに通話する音声である。本発明の実施の形態係る録音データ６０は、コールセンターにおける顧客とオペレータの通話を、分離して視聴することができる。また録音データ６０は、従来のステレオ形式のデータより、容量の小さいデータである。
【００２４】
本発明の通話録音システム６は、会話では、ほとんどの時間帯は交互に送話され、同時に送話される時間帯が限られるという特徴に着目している。本発明の実施の形態において、同時に送話される時間帯を、ダブルトークと称す。一般的な通話において、一方の話者が話している最中に、別の話者が相槌を打つ場合などに、ダブルトークが発生する。従って、全体の会話時間に対するダブルトークの時間は、かなり限定される。
【００２５】
そこで本発明の実施の形態に係る通話録音システム６においては、会話中の各時間、どちらの話者が通話しているかを示す識別情報（分離ビット）と、ダブルトーク時であることを示す情報（ダブルトークビット）とを利用して、双方の音声を録音しつつ、分離して視聴することができ、また容量の小さい録音データ６０を生成することができる。
【００２６】
通話録音システム６は、第１の通話録音装置１ａ、第２の通話録音装置１ｂ、音声認識サーバ２、第１の電話機本体３ａ、第１の受話器４ａ、第２の電話機本体３ｂおよび第２の受話器４ｂを備える。第１の通話録音装置１ａ、第２の通話録音装置１ｂおよび音声認識サーバ２は、通信ネットワーク５によって相互に通信可能に接続される。通信ネットワーク５は、例えばコールセンター内のＬＡＮである。
【００２７】
図１に示す例において、通話録音装置、電話機本体および受話器は２つずつ備える場合を説明するが、これらは一つずつ備えても良いし、三つ以上備えても良い。本発明の実施の形態において、第１の通話録音装置１ａおよび第２の通話録音装置１ｂを特に区別しない場合、通話録音装置１と記載する場合がある。同様に、第１の電話機本体３ａおよび第２の電話機本体３ｂを特に区別しない場合、電話機本体３と記載する場合がある。第１の受話器４ａおよび第２の受話器４を特に区別しない場合、受話器４と記載する場合がある。
【００２８】
図２に示すように通話録音装置１は、電話機本体３および受話器４に接続される。電話機本体３の受話器用モジュラーラックと、通話録音装置１の第１のモジュラージャックとがハンドセットライン３１で接続され、通話録音装置１の第２のモジュラージャックと受話器４のモジュラージャックとが、ハンドセットライン４１で接続される。通話録音装置１は、ハンドセットライン３１および４１間に流れる信号を取得して、録音データ６０を生成する。さらに通話録音装置１は、生成した録音データ６０を、音声認識サーバ２に送信する。
【００２９】
音声認識サーバ２は、一般的なコンピュータであって、所定の処理を実行する音声認識プログラムがインストールされて実現される。音声認識サーバ２は、通話録音装置１から録音データ６０を受信すると、録音データ６０から、第１の音声と第２の音声とを分離して再生することができる。
【００３０】
電話機本体３は、交換機を介して、顧客と通話する。オペレータは電話機本体３を操作し、受話器４を介して、顧客からの通話を聞き取り、通話内容を顧客に伝える。
【００３１】
ここで、本発明の実施の形態に係る通話録音装置１は、電話機本体３と受話器４間のアナログ信号を取得するので、電話機本体３の種別を問わない。従って、本発明の実施の形態に係る通話録音システム６は、アナログＰＢＸ、ＢＲＩ（Basic Rate Interface）ＰＢＸ、ＰＲＩ（Primary Rate Interface）ＰＢＸ、ＩＰ（Internet Protocol）ＰＢＸなど、あらゆる種類の交換機や電話機に対応することができる。
【００３２】
図３を参照して、本発明の実施の形態に係る通話録音システム６において、装置間で送受信されるデータを説明する。通話録音装置１は、電話機本体３および受話器４間のハンドセットライン３１および４１から、上り音声データ５１と下り音声データ５２とを取得する。この上り音声データ５１と下り音声データ５２は、アナログ信号である。本発明の実施の形態において、上り音声データ５１に関するデータ信号を（Ｌ）と、下り音声データ５２に関するデータ信号を（Ｒ）と表記する場合がある。
【００３３】
通話録音装置１は、上り音声データ５１と下り音声データ５２とを受信すると、モノラル化手段１１によって、上り音声データ５１と下り音声データ５２とをモノラル化し、録音データ６０を出力する。録音データ６０は、モノラル化メイン音声データ６１と、モノラル化サブ音声データ６２とを含む。
【００３４】
モノラル化メイン音声データ６１は、上り音声データ５１と下り音声データ５２とを混合して生成される。モノラル化メイン音声データ６１には、各フレームに、分離ビットおよびダブルトークビットが含まれる。この分離ビットは、フレームが、上り音声か下り音声かを識別するフラグである。分離ビットは、モノラル化メイン音声データにおいて、下り音声データ５２のレベルが所定値以上であるフレームのビットに設定される。またダブルトークビットは、フレームが、ダブルトークを検出したか否かを識別するフラグである。ダブルトークビットは、モノラル化メイン音声データ６１において、ダブルトークを検出したフレームのビットに設定される。
【００３５】
本発明の実施の形態において、分離ビットおよびダブルトークビットは、各フレームの末尾に挿入される場合について説明するが、末尾でなくても良い。分離ビットおよびダブルトークビットは、各フレームの所定位置に挿入されても良い。
【００３６】
モノラル化サブ音声データ６２は、上り音声データ５１と下り音声データ５２との差分から生成される。後述するように、モノラル化サブ音声データ６２は、ダブルトークが発生したフレームについてのみ生成される。従って、モノラル化サブ音声データ６２は、モノラル化メイン音声データ６１と比べて、再生時間において短く、容量においても小さい。
【００３７】
音声認識サーバ２は、録音データ６０を取得すると、ステレオ化手段２１によって録音データ６０をステレオ化し、上り音声データ７１と下り音声データ７２を出力する。ここで、音声認識サーバ２は、ステレオ化手段２１によって録音データ６０をステレオ化することにより、上り通話と下り通話とを分離して出力できるだけではなく、モノラル化メイン音声データ６１を出力し、分離しないで出力することもできる。
【００３８】
このモノラル化メイン音声データ６１には、上記で説明した通り、各フレームに分離ビットとダブルトークビットとが含まれる。ここで、１フレームを２０ｍｓｅｃに設定することにより、２０ｍｓｅｃごとに２ビットのノイズが入ることになるが、一般的な人間が視聴するには何ら問題にはならない。なおここで、１フレームの時間長２０ｍｓｅｃは、音声データの一般的なフレームの時間長である。
【００３９】
（通話録音装置）
図４を参照して、本発明の実施の形態に係る通話録音装置１を説明する。本発明の実施の形態に係る通話録音装置１は、絶縁トランス１０１、ＣＯＤＥＣ１０２、コントローラ１０３、内蔵記憶媒体１０４、ＲＡＭ１０５、ＲＯＭ１０６および通信制御装置１０７を備える。
【００４０】
絶縁トランス１０１は、ハンドセットライン３１および４１間の信号に影響を与えることなく、アナログ音声データとして、上り音声データ５１および下り音声データ５２を取得する。従って、通話録音装置１が通電されていない間でも、電話機本体３および受話器４間の信号の送受信には影響がない。絶縁トランス１０１が取得したアナログ音声データは、ＣＯＤＥＣ１０２に入力される。
【００４１】
ＣＯＤＥＣ１０２は、アナログ音声データである上り音声データ５１および下り音声データ５２を、デジタルデータに変換する。ＣＯＤＥＣ１０２は、上り音声データ５１および下り音声データ５２を、例えば、それぞれ８ｋＨｚでサンプリングし、上り音声および下り音声のそれぞれについて、１６ビットのＰＣＭ信号を出力する。ＣＯＤＥＣ１０２によって生成されたＰＣＭ信号は、コントローラ１０３に入力される。
【００４２】
コントローラ１０３は、通話録音装置１の処理を制御する。このときコントローラ１０３は、内蔵記憶媒体１０４、ＲＡＭ１０５、ＲＯＭ１０６などに記憶されたデータを読み出したり、データを書き込んだりして処理する。
【００４３】
コントローラ１０３は、モノラル化手段１１を備える。モノラル化手段１１は、例えば、コントローラがコンピュータＣＰＵの場合、ファームウェアプログラムなどによって実現されても良い。モノラル化手段１１は、基盤回路によって実現されても良い。モノラル化手段１１は、ＣＯＤＥＣ１０２から入力された上り音声および下り音声のＰＣＭ信号が入力されると、録音データ６０を生成し、通信制御装置１０７に入力する。
【００４４】
モノラル化手段１１は、上り音声データ（第１の音声データ）と下り音声データ（第２の音声データ）とを合成して、モノラル化メイン音声データ６１を生成する。またモノラル化手段１１は、下りの音声データのレベルが所定値以上である場合、モノラル化メイン音声データ６１に、真を設定した分離ビットを設定する。さらにモノラル化手段１１は、上り音声データと下り音声データのダブルトークが検出された場合、モノラル化メイン音声データ６１に、真を設定したダブルトークビットを設定し、上り音声データと下り音声データとの差分から、モノラル化サブ音声データ６２を生成する。
【００４５】
ここで、モノラル化手段１１は、上り音声データおよび下り音声データのフレームごとに、処理する。具体的にはモノラル化手段１１は、下り音声データのレベルが所定値以上であるフレームのビットに、分離ビットを設定するとともに、ダブルトークを検出したフレームのビットに、ダブルトークビットを設定する。またモノラル化手段１１は、ダブルトークが検出されたフレームについて、このモノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、上り音声データと下り音声データとの差分から、モノラル化サブ音声データ６２を生成する。
【００４６】
内蔵記憶媒体１０４は、大容量の記憶媒体で、例えば、ＳＤカードである。ＲＡＭ１０５は、コントローラ１０３が処理する際の一時データを書き込んだり読み込んだりする記憶媒体である。ＲＯＭ１０６は、例えばコントローラ１０３で実行されるプログラムが記憶される。コントローラ１０３は、ＲＯＭ１０６に書き込まれたプログラムを読み出して処理を実行する。プログラムは、ＲＯＭ１０６でなく、書換可能なメモリに書き込まれても良い。
【００４７】
通信制御装置１０７は、通信ネットワーク５と通信するためのインタフェースである。通信制御装置１０７は、コントローラ１０３から録音データ６０が入力されると、録音データ６０を、通信ネットワーク５に送出する。録音データ６０は、通信ネットワーク５を介して音声認識サーバ２に送信される。
【００４８】
図５を参照して、モノラル化手段１１によるモノラル化処理を説明する。
【００４９】
モノラル化手段１１は、ＣＯＤＥＣ１０２から入力された上り音声および下り音声それぞれのＰＣＭ信号について、複数のフレームに分割し、各フレームについてステップＳ１０１からステップＳ１１１の処理を繰り返す。本発明の実施の形態において、フレームの時間長は２０ｍｓｅｃであるので、モノラル化手段１１は、各信号について２０ｍｓｅｃごと（１６０サンプルごと）の複数のフレームに分割する。ここで、上り音声データ５１のＰＣＭ信号の処理対象のフレームを、上り音声フレームデータ（Ｌ）と称し、下り音声データ５２のＰＣＭ信号の処理対象のフレームを、下り音声フレームデータ（Ｒ）と称する。
【００５０】
まずステップＳ１０１においてモノラル化手段１１は、処理対象のフレームの上り音声フレームデータ（Ｌ）と、下り音声フレームデータ（Ｒ）を取得する。さらにステップＳ１０２においてモノラル化手段１１は、ステップＳ１０１で取得した上り音声フレームデータ（Ｌ）と、下り音声フレームデータ（Ｒ）それぞれのレベルを算出する。モノラル化手段１１は例えば、各データの実効値（ＲＭＳ）からレベルを算出する。
【００５１】
ステップＳ１０３においてモノラル化手段１１は、上り音声フレームデータ（Ｌ）と、下り音声フレームデータ（Ｒ）を合成して、モノラル化メイン音声フレームデータ（Ｌ＋Ｒ）を生成する。
【００５２】
ステップＳ１０４においてモノラル化手段１１は、ステップＳ１０２で算出した下り音声フレームデータ（Ｒ）のレベルが、所定値以上であるか否かを判定する。所定値以上である場合、ステップＳ１０５においてモノラル化手段１１は、この処理対象のフレームの分離ビットに”１”（真）を設定する。所定値以上でない場合、ステップＳ１０６においてモノラル化手段１１は、この処理対象の分離ビットに”０”（偽）を設定する。
【００５３】
ここで別実施例も開示する。この分離ビットは、処理対象のフレームが、上り音声か下り音声かを識別するフラグである。そこでモノラル化手段１１は、ステップＳ１０４において、上り音声フレームデータ（Ｌ）と下り音声フレームデータ（Ｒ）のいずれのレベルが高いかを比較し、下り音声フレームデータ（Ｒ）のレベルが高い場合に分離ビットに”１”を設定し、上り音声フレームデータ（Ｌ）のレベルが高い場合に分離ビットに”０”を設定しても良い。
【００５４】
ステップＳ１０７においてモノラル化手段１１は、上り音声フレームデータ（Ｌ）のレベルと下り音声フレームデータ（Ｒ）のレベルとを比較して、ダブルトークであるか否かを判定する。モノラル化手段１１は、例えば、両方のレベルがともに所定値より高い、または同じくらいのレベルなどの場合、ダブルトークが発生していると判断する。
【００５５】
ダブルトークが発生している場合、ステップＳ１０８においてモノラル化手段１１は、ダブルトークビットに”１”を設定する。さらにステップＳ１０９においてモノラル化手段１１は、上り音声フレームデータ（Ｌ）と、下り音声フレームデータ（Ｒ）との差分から、処理対象のフレームについて、モノラル化サブ音声フレームデータ（Ｌ−Ｒ）を生成する。一方、ダブルトークが発生していない場合、ステップＳ１１０においてモノラル化手段１１は、ダブルトークビットに”０”を設定し、処理対象のフレームについて、モノラル化サブ音声フレームデータを生成しない。
【００５６】
ステップＳ１１１においてモノラル化手段１１は、ステップＳ１０３で生成したモノラル化メイン音声フレームデータ（Ｌ＋Ｒ）の末尾２ビットのデータを破棄し、ステップＳ１０５で設定した分離ビットのフラグと、ステップＳ１０８で設定したダブルトークビットのフラグを埋め込む。
【００５７】
全てのフレームについて、ステップＳ１０１ないしステップＳ１１１の処理が終了すると、ステップＳ１１２においてモノラル化手段１１は、モノラル化メイン音声データ６１と、モノラル化サブ音声データ６２とを生成する。モノラル化手段１１は、ステップＳ１１１で生成した各フレームのモノラル化メイン音声フレームデータ（Ｌ＋Ｒ）から、モノラル化メイン音声データ６１を生成する。モノラル化手段１１は、ステップＳ１０９で生成した、ダブルトークが発生した各フレームのモノラル化サブ音声フレームデータ（Ｌ−Ｒ）から、モノラル化サブ音声データ６２を生成する。
【００５８】
このようにモノラル化手段１１は、ダブルトークが検出された場合のみ、モノラル化サブ音声フレームデータ（Ｌ−Ｒ）を生成するので、上り音声データ５１と下り音声データ５２とをそれぞれ分離して記録する場合に比べて、少ない容量の録音データ６０を生成することができる。また、モノラル化メイン音声データ６１として、上り音声データ５１と下り音声データ５２とを混合したデータが含まれているので、分離して視聴する必要がない場合、このモノラル化メイン音声データ６１を視聴すれば良い。なお、各フレームに２ビットのノイズが挿入されるが、一般的な人間の視聴において問題がない範囲であると考えられる。
【００５９】
図６を参照して、モノラル化手段１１の機能ブロックの実装例を説明する。モノラル化手段１１は、合成演算手段１１２、差分演算手段１１３、レベル検出手段１１４、μＬａｗ変換手段１１５、比較手段１１６、ダブルトーク検出手段１１７、分離ビット設定手段１１８およびダブルトークビット設定手段１１９を備える。
【００６０】
モノラル化手段１１には、上り音声データ５１および下り音声データ５２がＣＯＤＥＣ１０２によってそれぞれ変換されたＰＣＭ信号が入力される。上り音声データ５１および下り音声データ５２のそれぞれのＰＣＭ信号は、合成演算手段１１２、差分演算手段１１３、およびレベル検出手段１１４に入力される。
【００６１】
合成演算手段１１２は、上り音声データ５１のＰＣＭ信号（第１の音声データ）と下り音声データ５２のＰＣＭ信号（第２の音声データ）とを合成して、モノラル化メイン音声データ６１のＰＣＭ信号を生成する。差分演算手段１１３は、上り音声データ５１のＰＣＭ信号（第１の音声データ）と下り音声データ５２のＰＣＭ信号（第２の音声データ）との差分から、モノラル化サブ音声データ６２のＰＣＭ信号を生成する。合成演算手段１１２および差分演算手段１１３によって生成されたＰＣＭ信号は、μＬａｗ変換手段１１５に入力される。
【００６２】
μＬａｗ変換手段１１５は、合成演算手段１１２から入力されたＰＣＭ信号を圧縮して、μＬａｗ変換して、モノラル化メイン音声データ６１として出力する。また、μＬａｗ変換手段１１５は、差分演算手段１１３から入力されたＰＣＭ信号をμＬａｗ変換して、ダブルトークが検出された場合、モノラル化サブ音声データ６２として出力する。μＬａｗ変換手段１１５は、各ＰＣＭ信号を、１６ビットから８ビットに圧縮して出力する。
【００６３】
レベル検出手段１１４は、ＣＯＤＥＣ１０２から上り音声データ５１および下り音声データ５２のそれぞれのＰＣＭ信号が入力されると、それぞれのＰＣＭ信号についてレベルを検出する。レベル検出手段１１４は、それぞれのＰＣＭ信号のレベルと、比較手段１１６およびダブルトーク検出手段１１７に入力する。
【００６４】
比較手段１１６は、下り音声データ５２のＰＣＭ信号のレベルが所定値以上であるか否かを比較して、分離ビット設定手段１１８に通知する。分離ビット設定手段１１８は、下り音声データ５２のＰＣＭ信号のレベルが所定値以上であると通知されると、分離ビット設定手段１１８は、モノラル化メイン音声データ６１の所定位置に、真を設定した分離ビットを設定する。具体的には分離ビット設定手段１１８は、モノラル化メイン音声データ６１において、下り音声データのＰＣＭ信号のレベルが所定値以上であるフレームのビットに、真を設定した分離ビットを設定する。
【００６５】
ダブルトーク検出手段１１７は、上り音声データ５１のＰＣＭ信号のレベルと下り音声データ５１のＰＣＭ信号のレベルに基づいて、ダブルトークを検出し、ダブルトークが検出されたか否かを、ダブルトークビット設定手段１１９に通知する。ダブルトークビット設定手段１１９は、ダブルトークが検出されたと通知されると、分離ビット設定手段１１８は、モノラル化メイン音声データの所定位置に、真を設定したダブルトークビットを設定する。具体的にはダブルトークビット設定手段１１９は、モノラル化メイン音声データにおいて、ダブルトークが検出されたフレームのビットに、真を設定したダブルトークビットを設定する。
【００６６】
さらにダブルトーク検出手段１１７は、ダブルトークが検出された場合、差分演算手段１１３の出力信号であってμＬａｗ変換された信号を、モノラル化サブ音声データ６２として出力するよう制御する。
【００６７】
図７を参照して、本発明の実施の形態に係るモノラル化手段１１の合成演算手段１１２および差分演算手段１１３を詳述する。図５を参照して説明した通り、合成演算手段１１２および差分演算手段１１３は、上り音声フレームデータ（Ｌ）および下り音声フレームデータ（Ｒ）のフレーム単位で処理する。さらに詳述すると、合成演算手段１１２および差分演算手段１１３は、図７を参照するように、フレームの中のサンプル単位で信号を処理する。本発明の実施の形態において一つのフレームの時間長は２０ｍｓｅｃで、ＣＯＤＥＣ１０２は８ｋＨｚでサンプリングする。従って、一つのフレームには１６０サンプルが含まれる。１サンプルは、１６ビットで構成される。
【００６８】
図７は、合成演算手段１１２および差分演算手段１１３が、ＣＯＤＥＣ１０２から出力された上り音声データ５１のＰＣＭ信号の所定のフレームの上り音声フレームデータと、下り音声データ５２のＰＣＭ信号の所定のフレームの下り音声フレームデータとを処理する場合を説明する。上り音声フレームデータおよび下り音声フレームデータは、それぞれ、ｎ番目のサンプルからｎ＋１５９番目のサンプルを含む。
【００６９】
合成演算手段１１２は、上り音声フレームデータ（Ｌ）のｎ番目のサンプルと、下り音声フレームデータ（Ｒ）のｎ番目のサンプルを加算して２で割る。同様に、合成演算手段１１２ｎ＋１は、上り音声フレームデータ（Ｌ）のｎ＋１番目のサンプルと、下り音声フレームデータ（Ｒ）のｎ＋１番目のサンプルを加算して２で割る。このような処理を１６０回繰り返すことにより、合成演算手段１１２は、１フレームのモノラル化メイン音声フレームデータ（Ｌ＋Ｒ）を出力することができる。
【００７０】
同様に、差分演算手段１１３は、上り音声フレームデータ（Ｌ）のｎ番目のサンプルと、下り音声フレームデータ（Ｒ）のｎ番目のサンプルの差分を２で割る。同様に、差分演算手段１１３ｎ＋１は、上り音声フレームデータ（Ｌ）のｎ＋１番目のサンプルと、下り音声フレームデータ（Ｒ）のｎ＋１番目のサンプルの差分を２で割る。このような処理を１６０回繰り返すことにより、差分演算手段１１３は、１フレームのモノラル化サブ音声フレームデータ（Ｌ−Ｒ）を出力することができる。
【００７１】
図８を参照して、本発明の実施の形態に係るモノラル化手段１１において、レベル検出手段１１４、μＬａｗ変換手段１１５、比較手段１１６およびダブルトーク検出手段１１７の処理を説明する。
【００７２】
μＬａｗ変換手段１１５は、フレームの単位で、上り音声フレームデータ（Ｌ）と下り音声フレームデータ（Ｒ）について、μＬａｗ変換する。μＬａｗ変換手段は、上り音声フレームデータＦＬ０と上り音声フレームデータＦＲ０のそれぞれのサンプルを、１６ビットから８ビットに圧縮する。これにより、μＬａｗ変換手段１１５は、ＤＭｎ［７．．０］からＤＭｎ＋１５９［７．．０］を生成する。なお、本発明の実施の形態において、μＬａｗ変換後のモノラル化メイン音声フレームデータ（Ｌ＋Ｒ）の最下位２ビット、具体的には、ＤＭｎ＋１５９［１．．０］のデータは破棄され、後に、分離ビット設定手段１１８およびダブルトークビット設定手段１１９によって、分離ビットおよびダブルトークビットが設定される。
【００７３】
レベル検出手段１１４は、上り音声フレームデータ（Ｌ）と下り音声フレームデータ（Ｒ）を処理するため、２チャンネルの処理手段を備える。レベル検出手段１１４ａは、上り音声フレームデータ（Ｌ）のレベルを検出して、比較手段１１６およびダブルトーク検出手段１１７に入力する。レベル検出手段１１４ｂは、下り音声フレームデータ（Ｒ）のレベルを検出して、比較手段１１６およびダブルトーク検出手段１１７に入力する。
【００７４】
比較手段１１６は、上り音声フレームデータ（Ｌ）のレベルと下り音声フレームデータ（Ｒ）のレベルとを比較して、下り音声フレームデータのレベルが高い場合、分離ビット設定手段１１８に、分離ビットに”１”を設定させ、そうでない場合、分離ビットに”０”を設定させる。分離ビット設定手段１１８は、モノラル化メイン音声フレームデータ（Ｌ＋Ｒ）の最下位ビット、具体的には、ＤＭｎ＋１５９［０］に、分離ビット”０”または”１”を設定する。
【００７５】
ダブルトーク検出手段１１７は、上り音声フレームデータ（Ｌ）のレベルと下り音声フレームデータ（Ｒ）のレベルとを比較して、ともにレベルが高い場合、ダブルトークと判断して、ダブルトークビット設定手段１１９に、ダブルトークビットに”１”を設定させ、そうでない場合、ダブルトークビットに”０”を設定させる。分離ビット設定手段１１８は、モノラル化メイン音声フレームデータ（Ｌ＋Ｒ）の最下位＋１ビット、具体的には、ＤＭｎ＋１５９［１］に、ダブルトークビット”０”または”１”を設定する。ここで、このダブルトークビットが”０”の場合、具体的にはこのフレームではダブルトークが検出されなかった場合、このフレームについてモノラル化サブ音声フレームデータ（Ｌ−Ｒ）は出力されない。
【００７６】
図９を参照して、モノラル化メイン音声フレームデータの構造を説明する。モノラル化メイン音声フレームデータ（Ｌ＋Ｒ）は、１６０サンプルで構成される。各サンプルは８ビットで構成される。モノラル化メイン音声フレームデータ（Ｌ＋Ｒ）の末尾２ビットには、ダブルトークビットおよび分離ビットが設定される。
【００７７】
このようにモノラル化メイン音声フレームデータ（Ｌ＋Ｒ）において、２ビットのノイズが発生する。モノラル化メイン音声フレームデータ（Ｌ＋Ｒ）を連結して、モノラル化メイン音声データ６１を生成する。本発明の実施の形態においてサンプリング周波数が８ｋＨｚであるので、モノラル化メイン音声データ６１に、５０Ｈｚごとにノイズが含まれることになる。しかしこのノイズは、非常に微弱なノイズであり、モノラル化メイン音声フレームデータの視聴には影響を与えることはない。
【００７８】
（音声認識サーバ）
図１０を参照して、本発明の最良の実施の形態に係る音声認識サーバ２を説明する。図１０に示すように音声認識サーバ２は、記憶装置２２１、中央処理制御装置２２２、通信制御装置２３１、入力装置２３２、スピーカー２３３などを備える一般的なコンピュータである。音声認識サーバ２は、所定の処理を実行する音声認識プログラムが、一般的なコンピュータにインストールされ実行されることにより実現される。ここで、記憶装置２２１は、ハードディスクなどである。通信制御装置２３１は、ＬＡＮカードやＬＡＮポートである。入力装置２３２は、マウスやキーボードである。
【００７９】
記憶装置２２１は、音声認識プログラムを記憶するとともに、モノラル化メイン音声データ、モノラル化サブ音声データ６２、上り音声データ７１、下り音声データ７２および録音管理データ７３を記憶する。モノラル化メイン音声データ６１およびモノラル化サブ音声データ６２は、録音データ６０として通話録音装置１から受信するデータである。上り音声データ７１および下り音声データ７２は、モノラル化メイン音声データ６１およびモノラル化サブ音声データ６２から生成され、上り音声と下り音声とを分離したデータである。
【００８０】
モノラル化メイン音声データ６１、モノラル化サブ音声データ６２、上り音声データ７１および下り音声データ７２は、後述する中央処理制御装置の各手段によって出力されるデータである。
【００８１】
録音管理データ７３は、モノラル化メイン音声データ６１、上り音声データ７１および下り音声データ７２を検索するための、これらのデータの識別子と、属性情報などが対応づけられたデータである。属性情報とは、データ生成日時、オペレータ氏名、顧客名、対応種別、音声種別などである。ここで音声種別は、音声認識サーバ２において再生可能な音声データの種別である。音声種別は例えば、モノラル化メイン音声データ６１を示すモノラル音声、上り音声データ７１を示す上り音声、下り音声データ７２を示す下り音声などである。
【００８２】
中央処理制御装置２２２は、録音データ取得手段２０、ステレオ化手段２１および検索手段２２を備える。録音データ取得手段２０、ステレオ化手段２１および検索手段は、音声認識プログラムがインストールされ実行されることによって、中央処理制御装置２２２に実装される。
【００８３】
録音データ取得手段２０は、通話録音装置１から、通信制御装置２３１を介して、録音データ６０を取得し、記憶装置２２１に記憶する。この録音データ６０は、モノラル化メイン音声データ６１とモノラル化サブ音声データ６２とを含む。モノラル化メイン音声データ６１とモノラル化サブ音声データ６２は、通話録音装置１で生成される。モノラル化メイン音声データ６１には、分離ビットとダブルトークビットが設定される。
【００８４】
モノラル化メイン音声データ６１は、上り音声データ（第１の音声データ）と下り音声データ（第２の音声データ）を合成して生成され、下り音声データのレベルが所定値以上であることを示す分離ビットと、上り音声データと下り音声データのダブルトークを示すダブルトークビットとを含む。分離ビットは、下り音声データのレベルが所定値以上であるフレームのビットに設定され、ダブルトークビットは、ダブルトークを検出したフレームのビットに設定される。
【００８５】
このモノラル化メイン音声データ６１は、上り音声と下り音声が混合したデータであるので、このままでも聞くことは可能である。また、本発明の実施の形態に係るステレオ化手段２１によって、モノラル化メイン音声データ６１およびモノラル化サブ音声データ６２に基づいて、上り音声と下り音声に分離して聞くこともできる。
【００８６】
ステレオ化手段２１は、モノラル化メイン音声データ６１およびモノラル化サブ音声データ６２から上り音声および下り音声を分離して、上り音声データ７１および下り音声データ７２を生成する。
【００８７】
ステレオ化手段２１は、モノラル化メイン音声データ６１から分離ビットとダブルトークビットを取得する。ダブルトークビットが真の場合、ステレオ化手段２１は、モノラル化メイン音声データ６１とモノラル化サブ音声データ６２から、上り音声データ７１および下り音声データ７２を生成して出力する。ダブルトークビットが偽でかつ分離ビットが真の場合、ステレオ化手段２１は、モノラル化メイン音声データ６１を下り音声データ７２として出力し、分離ビットが偽の場合、モノラル化メイン音声データ６１を上り音声データ７１として出力する。
【００８８】
ここで、ステレオ化手段２１は、モノラル化メイン音声データ６１およびモノラル化サブ音声データ６２のフレームごとに、処理する。具体的にはステレオ化手段２１は、ダブルトークビットが真のフレームについて、モノラル化メイン音声データ６１とモノラル化サブ音声データ６２から、このフレームの上り音声データ７１および下り音声データ７２を生成して出力する。ステレオ化手段２１は、ダブルトークビットが偽でかつ分離ビットが真のフレームについて、モノラル化メイン音声データ６１から、このフレームの下り音声データ７２を出力する。ステレオ化手段２１は、ダブルトークビットが偽でかつ分離ビットが偽のフレームについて、モノラル化メイン音声データ６１から、このフレームの上り音声データ７１を出力する。
【００８９】
検索手段２２は、録音管理データ７３を参照して、所望の音声データを検索する。例えば入力装置２３２から入力された検索条件が入力されると、検索手段２２は、入力された検索条件に合致する属性を録音管理データ７３から検索し、さらに、その合致する属性を持つ音声データを、モノラル化メイン音声データ６１、上り音声データ７１および下り音声データ７２から取得する。検索手段２２はさらに、取得した音声データを再生し、スピーカー２３３から出力する。
【００９０】
ここでユーザは、入力装置２３２を介して、「○月○日の、ＸＸオペレータが△△さんへの通話内容」などと入力することができる。このような条件が入力されると、検索手段２２は、オペレータの顧客への通話のみの音声データを検索し、スピーカー２３３から出力することができる。
【００９１】
図１１を参照して、ステレオ化手段２１によるステレオ化処理を説明する。
【００９２】
ステレオ化手段２１は、モノラル化メイン音声データ６１を複数のフレームに分割し、各フレームについて、ステップＳ２０１ないしステップＳ２０８の処理を繰り返す。本発明の実施の形態において、フレームの時間長は２０ｍｓｅｃであるので、ステレオ化手段２１は、モノラル化メイン音声データ６１を２０ｍｓｅｃごと（１６０サンプルごと）の複数のフレームに分割する。ここで、モノラル化メイン音声データ６１の処理対象のフレームを、モノラル化メイン音声フレームデータ（Ｌ＋Ｒ）と称し、このフレームに対応するモノラル化サブ音声データ６２のフレームを、モノラル化サブ音声フレームデータ（Ｌ−Ｒ）と称する。
【００９３】
まずステップＳ２０１においてステレオ化手段２１は、処理対象のフレームの所定位置から、ダブルトークビットを取得する。このダブルトークビットは、図８などに示されるように、処理対象のフレームの最後から２番目のビットに設定されるので、ステレオ化手段２１は、このビットの値を取得する。
【００９４】
ステップＳ２０２においてステレオ化手段２１は、処理対象のフレームでダブルトークが検出されたか否かを判定する。具体的にステレオ化手段２１は、ステップＳ２０１で取得したダブルトークビットが”１”の場合、処理対象のフレームでダブルトークが検出されたと判定し、”０”の場合、処理対象のフレームでダブルトークが検出されなかったと判定する。
【００９５】
ダブルトークが検出された場合、ステップＳ２０３においてステレオ化手段２１は、モノラル化音声フレームデータ（Ｌ＋Ｒ）とモノラル化サブ音声フレームデータ（Ｌ−Ｒ）とから、上り音声フレームデータ（Ｌ）と下り音声フレームデータ（Ｒ）とを生成する。
【００９６】
一方ダブルトークが検出されなかった場合、ステップＳ２０４においてステレオ化手段２１は、処理対象のフレームの所定位置から、分離ビットを取得する。この分離ビットは、図１１などに示されるように、処理対象のフレームの最後のビットに設定されるので、ステレオ化手段２１は、このビットの値を取得する。
【００９７】
ステップＳ２０５においてステレオ化手段２１は、処理対象のフレームから、下り音声データが検出されるか否かを判定する。具体的にステレオ化手段２１は、ステップＳ２０４で取得した分離ビットが”１”の場合、処理対象のフレームで下り音声データが検出されたと判定し、”０”の場合、処理対象のフレームで下り音声データが検出されなかったと判定する。
【００９８】
ステップＳ２０５において下り音声データが検出された場合、ステップＳ２０６においてステレオ化手段２１は、モノラル化メイン音声フレームデータ（Ｌ＋Ｒ）を、下り音声フレームデータ（Ｒ）として生成する。このとき、ステレオ化手段２１は、上り音声フレームデータ（Ｌ）の出力をゼロとして、具体的には無音として扱う。
【００９９】
一方ステップＳ２０５において下り音声データが検出されなかった場合、ステップＳ２０７においてステレオ化手段２１は、モノラル化メイン音声フレームデータ（Ｌ＋Ｒ）を、上り音声フレームデータ（Ｌ）として生成する。このとき、ステレオ化手段２１は、下り音声フレームデータ（Ｒ）の出力をゼロとして、具体的には無音として扱う。
【０１００】
全てのフレームについてステップＳ２０１ないしステップＳ２０７の処理が終了すると、ステレオ化手段２１は、上り音声データ７１および下り音声データ７２を生成する。具体的にはステレオ化手段２１は、ステップＳ２０３、ステップＳ２０６またはステップＳ２０７で生成された上り音声フレームデータ（Ｌ）を連結して上り音声データ７１を生成するとともに、下り音声フレームデータ（Ｒ）を連結して下り音声データ７２を生成する。ここで、ステレオ化手段２１は、無音として扱ったフレームについては、無音であることを示すデータを連結する。ステレオ化手段２１は、生成した上り音声データ７１および下り音声データ７２を記憶装置２２１に記憶する。
【０１０１】
図１２を参照して、ステレオ化手段２１の機能ブロックの実装例を説明する。ステレオ化手段２１は、分離ビット取得手段２１１、ダブルトークビット取得手段２１２、第１のμＬａｗＰＣＭ変換手段２１３、出力切替手段２１４、第２のμＬａｗＰＣＭ変換手段２１５、上り音声生成手段２１６および下り音声生成手段２１７を備える。
【０１０２】
モノラル化メイン音声データ６１は、分離ビット取得手段２１１およびダブルトークビット取得手段２１２に入力されるとともに、第１のμＬａｗＰＣＭ変換手段２１３に入力される。
【０１０３】
分離ビット取得手段２１１は、モノラル化メイン音声データ６１から分離ビットを取得する。ここで分離ビットは、下り音声データのレベルが所定値以上である、モノラル化メイン音声データのフレームのビットに設定される。分離ビット取得手段２１１は、取得した分離ビットを、第１のμＬａｗＰＣＭ変換手段２１３に入力し、出力切替手段２１４の出力を制御する。
【０１０４】
ダブルトークビット取得手段２１２は、モノラル化メイン音声データ６１からダブルトークビットを取得する。ここでダブルトークビットは、ダブルトークを検出した、モノラル化メイン音声データのフレームのビットに設定される。
【０１０５】
第１のμＬａｗＰＣＭ変換手段２１３は、入力されたモノラル化メイン音声データ６１および分離ビットを、８ビットから１６ビットに伸張して出力する。出力された信号は、出力切替手段２１４に入力される。
【０１０６】
出力切替手段２１４は、ダブルトークビットが”０”（偽）でかつ分離ビットが”１”（真）の場合、モノラル化メイン音声データ６１を下り音声データ７２として出力する。具体的には出力切替手段２１４は、ダブルトークビットが”０”でかつ分離ビットが”１”のフレームについて、モノラル化メイン音声データ６１から、このフレームの下り音声データ７２を出力する。一方、分離ビットが”０”（偽）の場合、モノラル化メイン音声データ６１を上り音声データ７１として出力する。具体的には出力切替手段２１４は、ダブルトークビットが”０”でかつ分離ビットが”０”のフレームについて、モノラル化メイン音声データ６１から、このフレームの上り音声データ７１を出力する。
【０１０７】
出力切替手段２１４は、分離ビット取得手段２１１の制御に従って、モノラル化メイン音声データ６１の伸張信号を、上り音声データ７１として出力するか、下り音声データ７２として出力するかを制御する。分離ビットが”０”の場合、出力切替手段２１４は、モノラル化メイン音声データ６１の伸張信号を、上り音声データ７１として出力し、”１”の場合、下り音声データ７２として出力する。
【０１０８】
ここで、ダブルトークビットは、モノラル化メイン音声データ６１およびモノラル化サブ音声データ６２の第２のμＬａｗＰＣＭ変換手段２１５への入力を制御する。ダブルトークビットが”１”の場合、モノラル化メイン音声データ６１およびモノラル化サブ音声データ６２が第２のμＬａｗＰＣＭ変換手段２１５に入力される。一方ダブルトークビットが”０”の場合、第２のμＬａｗＰＣＭ変換手段２１５には信号は入力されない。
【０１０９】
第２のμＬａｗＰＣＭ変換手段２１５は、モノラル化メイン音声データ６１およびモノラル化サブ音声データ６２が入力されると、入力されたモノラル化メイン音声データ６１およびモノラル化サブ音声データ６２をそれぞれ、８ビットから１６ビットに伸張して出力する。出力された信号は、上り音声生成手段２１６および下り音声生成手段２１７にそれぞれ入力される。
【０１１０】
上り音声生成手段２１６は、ダブルトークビットが”１”（真）の場合、モノラル化メイン音声データ６１とモノラル化サブ音声データ６２から、上り音声データ７１を生成して出力する。上り音声生成手段２１６は、モノラル化メイン音声データ６１（Ｌ＋Ｒ））とモノラル化サブ音声データ６２（Ｌ−Ｒ）とを加算して２で割ることにより、上り音声データ７１を出力する。ここで上り音声生成手段２１６は、ダブルトークビットが真のフレームについて、モノラル化メイン音声データ６１とモノラル化サブ音声データ６２から、このフレームの上り音声データ７１を生成して出力する。
【０１１１】
下り音声生成手段２１７は、ダブルトークビットが”１”（真）の場合、モノラル化メイン音声データ６１とモノラル化サブ音声データ６２から、下り音声データ７２を生成して出力する。下り音声生成手段２１７は、モノラル化メイン音声データ６１（Ｌ＋Ｒ））とモノラル化サブ音声データ６２（Ｌ−Ｒ）との差分を２で割ることにより、下り音声データ７２を出力する。下り音声生成手段２１７は、ダブルトークビットが真のフレームについて、モノラル化メイン音声データ６１とモノラル化サブ音声データ６２から、このフレームの下り音声データ７２を生成して出力する。
【０１１２】
図１３を参照して、本発明の実施の形態に係る通話録音システム６の効果を説明する。図１３においては、各通話について、上り下りの音声を分離してステレオで録音した場合の容量、上り下りの音声を分離せずモノラルで録音した場合の容量、本実施の形態に係る方法で録音した場合の容量を比較している。図１３はさらに、モノラルで録音した場合の容量に対する本実施の形態に係る方法で録音した場合の容量の割合を記載している。
【０１１３】
図１３に示す通り、本実施の形態に係る方法では、モノラル時の容量から数パーセント増加しているものの、ステレオ時の容量よりもかなり少ないことがわかる。また、上述した通り、本実施の形態に係る録音データ６０は、通話における上り音声と下り音声を分離して再生可能である。従って本発明の実施の形態に係る通話録音システム６は、通話における上り音声と下り音声を分離して再生可能で、かつ、データ容量の小さい録音データ６０を生成することができる。
【０１１４】
（その他の実施の形態）
上記のように、本発明の実施の形態によって記載したが、この開示の一部をなす論述および図面はこの発明を限定するものであると理解すべきではない。この開示から当業者には様々な代替実施の形態、実施例および運用技術が明らかとなる。
【０１１５】
例えば、本発明の最良の実施の形態に記載した音声認識サーバは、図１に示すように一つのハードウェア上に構成されても良いし、その機能や処理数に応じて複数のハードウェア上に構成されても良い。また、既存の情報処理システム上に実現されても良い。
【０１１６】
また、本発明の実施の形態においては、録音データを音声認識サーバで再生する場合について説明したが、録音データは、例えば通話録音装置などの他の装置で再生されても良い。
【０１１７】
本発明はここでは記載していない様々な実施の形態等を含むことは勿論である。従って、本発明の技術的範囲は上記の説明から妥当な特許請求の範囲に係る発明特定事項によってのみ定められるものである。
【符号の説明】
【０１１８】
１ 通話録音装置
２ 音声認識サーバ
３ 電話機本体
４ 受話器
５ 通信ネットワーク
６ 通話録音システム
１１ モノラル化手段
２０ 録音データ取得手段
２１ ステレオ化手段
２２ 検索手段
３１、４１ ハンドセットライン
５１、７１ 上り音声データ
５２、７２ 下り音声データ
６０ 録音データ
６１ モノラル化メイン音声データ
６２ モノラル化サブ音声データ
７３ 録音管理データ
１０１ 絶縁トランス
１０２ ＣＯＤＥＣ
１０３ コントローラ
１０４ 内蔵記憶媒体
１０５ ＲＡＭ
１０６ ＲＯＭ
１０７、２３１ 通信制御装置
１１２ 合成演算手段
１１３ 差分演算手段
１１４ レベル検出手段
１１５ μＬａｗ変換手段
１１６ 比較手段
１１７ ダブルトーク検出手段
１１８ 分離ビット設定手段
１１９ ダブルトークビット設定手段
２１１ 分離ビット取得手段
２１２ ダブルトークビット取得手段
２１３、２１５ μＬａｗＰＣＭ変換手段
２１４ 出力切替手段
２１６ 上り音声生成手段
２１７ 下り音声生成手段
２２１ 記憶装置
２２２ 中央処理制御装置
２３２ 入力装置
２３３ スピーカー
【技術分野】
【０００１】
本発明は、通話における上り音声と下り音声を分離して再生可能な録音データを出力する通話録音装置、通話録音プログラム、録音データを再生する音声認識サーバ、音声認識プログラム、録音データを出力および再生する通話録音システムおよび通話録音方法に関する。
【背景技術】
【０００２】
従来、コールセンターなどにおいて、オペレータと顧客の通話内容を録音する通話録音装置が知られている。通話の録音データは、通話内容の確認や顧客サービス向上のために参照される場合がある。従って、オペレータの顧客への通話と、顧客のオペレータへの通話とを、それぞれ区別して記録することが好ましい。
【０００３】
そのため、通話の録音データを、上りの通話と下りの通話とに分離して記録する技術がある（特許文献１参照。）。この特許文献１に記載の技術では、使用者の通話の上り音声通話と、相手側の通話の下り音声通話を別々に録音する。これにより、例えば使用者の音声で使用者が話した単語やフレーズを入力することにより、使用者の通話の上り音声通話から、その音声波形と略一致する波形を持つ録音データを検索することができる。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２００６−１６５８４６号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかしながら、特許文献１に記載の方法では、上り音声通話と下り音声通話を分離して記録するため、分離しないで記録する場合に比べて、録音データの容量が２倍になってしまう。コールセンターなどにおいては特に、多数の通話を録音する必要がある。従って録音データの容量が２倍になってしまうと、システム全体で、記録媒体のコストが増大してしまう問題がある。
【０００６】
そこで、上りの通話と下りの通話を分離して再生可能で、かつ、データ容量の小さい録音データを生成可能な通話録音装置の開発が期待されている。
【０００７】
従って本発明の目的は、上りの通話と下りの通話を分離して再生可能で、データ容量の小さい録音データの通話録音装置、通話録音プログラム、音声認識サーバ、音声認識プログラム、通話録音システムおよび通話録音方法を提供することである。
【課題を解決するための手段】
【０００８】
上記課題を解決するために、本発明の第１の特徴は、通話における第１の音声と第２の音声を分離して再生可能な録音データを生成する通話録音装置に関する。すなわち本発明の第１の特徴に係る通話録音装置は、第１の音声データと第２の音声データとを合成して、モノラル化メイン音声データを生成し、第２の音声データのレベルが所定値以上である場合、当該モノラル化メイン音声データに、真を設定した分離ビットを設定し、第１の音声データと第２の音声データのダブルトークが検出された場合、当該モノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、第１の音声データと第２の音声データとの差分から、モノラル化サブ音声データを生成するモノラル化手段を備える。
【０００９】
ここでモノラル化手段は、第２の音声データのレベルが所定値以上であるフレームのビットに、分離ビットを設定するとともに、ダブルトークを検出したフレームのビットに、ダブルトークビットを設定し、ダブルトークが検出されたフレームについて、当該モノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、第１の音声データと第２の音声データとの差分から、モノラル化サブ音声データを生成することが好ましい。
【００１０】
また通話録音装置は、電話機本体と第１のハンドセットラインで接続されるとともに、受話器と第２のハンドセットラインで接続され、第１の音声データおよび第２の音声データは、第１および第２のハンドセットラインから取得したアナログ音声を、デジタル化したデータである。
【００１１】
本発明の第２の特徴は、通話における第１の音声と第２の音声を分離して再生可能な録音データを生成する通話録音装置に用いられる通話録音プログラムに関する。すなわち本発明の第２の特徴に係る通話録音プログラムは、第１の音声データと第２の音声データとを合成して、モノラル化メイン音声データを生成し、第２の音声データのレベルが所定値以上である場合、当該モノラル化メイン音声データに、真を設定した分離ビットを設定し、第１の音声データと第２の音声データのダブルトークが検出された場合、当該モノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、第１の音声データと第２の音声データとの差分から、モノラル化サブ音声データを生成するモノラル化手段として、通話録音装置に内蔵されたコンピュータを機能させる。
【００１２】
ここでモノラル化手段は、第２の音声データのレベルが所定値以上であるフレームのビットに、分離ビットを設定するとともに、ダブルトークを検出したフレームのビットに、ダブルトークビットを設定し、ダブルトークが検出されたフレームについて、当該モノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、第１の音声データと第２の音声データとの差分から、モノラル化サブ音声データを生成する。
【００１３】
本発明の第３の特徴は、第１の音声と第２の音声を分離して再生する音声認識サーバに関する。すなわち本発明の第３の特徴に係る音声認識サーバは、第１の音声データと第２の音声データを合成して生成され、第２の音声データのレベルが所定値以上であることを示す分離ビットと、第１の音声データと第２の音声データのダブルトークを示すダブルトークビットとを含むモノラル化メイン音声データと、ダブルトークが検出された際、第１の音声データと第２の音声データとの差分から生成されたモノラル化サブ音声データと、が記憶された記憶装置と、モノラル化メイン音声データから分離ビットとダブルトークビットを取得し、ダブルトークビットが真の場合、モノラル化メイン音声データとモノラル化サブ音声データから、第１の音声データおよび第２の音声データを生成して出力し、ダブルトークビットが偽でかつ分離ビットが真の場合、モノラル化メイン音声データを第２の音声データとして出力し、分離ビットが偽の場合、モノラル化メイン音声データを第１の音声データとして出力するステレオ化手段を備える。
【００１４】
ここで分離ビットは、第２の音声データのレベルが所定値以上であるフレームのビットに設定され、ダブルトークビットは、ダブルトークを検出したフレームのビットに設定されても良い。この場合ステレオ化手段は、ダブルトークビットが真のフレームについて、モノラル化メイン音声データとモノラル化サブ音声データから、当該フレームの第１の音声データおよび第２の音声データを生成して出力し、ダブルトークビットが偽でかつ分離ビットが真のフレームについて、モノラル化メイン音声データから、当該フレームの第２の音声データを出力し、ダブルトークビットが偽でかつ分離ビットが偽のフレームについて、モノラル化メイン音声データから、当該フレームの第１の音声データを出力する。
【００１５】
本発明の第４の特徴は、第１の音声と第２の音声を分離して再生する音声認識サーバに用いる音声認識プログラムに関する。すなわち本発明の第４の特徴に係る音声認識プログラムは、コンピュータを、第１の音声データと第２の音声データを合成して生成され、第２の音声データのレベルが所定値以上であることを示す分離ビットと、第１の音声データと第２の音声データのダブルトークを示すダブルトークビットとを含むモノラル化メイン音声データと、ダブルトークが検出された際、第１の音声データと第２の音声データとの差分から生成されたモノラル化サブ音声データとを取得して、記憶装置に記憶する録音データ取得手段と、モノラル化メイン音声データから分離ビットを取得するとともに、モノラル化メイン音声データからダブルトークビットを取得し、ダブルトークビットが真の場合、モノラル化メイン音声データとモノラル化サブ音声データから、第１の音声データおよび第２の音声データを生成して出力し、ダブルトークビットが偽でかつ分離ビットが真の場合、モノラル化メイン音声データを第２の音声データとして出力し、分離ビットが偽の場合、モノラル化メイン音声データを第１の音声データとして出力するステレオ化手段として機能させる。
【００１６】
ここで分離ビットは、モノラル化メイン音声データにおいて、第２の音声データのレベルが所定値以上であるフレームのビットに設定され、ダブルトークビットは、モノラル化メイン音声データにおいて、ダブルトークを検出したフレームのビットに設定されても良い。この場合ステレオ化手段は、ダブルトークビットが真のフレームについて、モノラル化メイン音声データとモノラル化サブ音声データから、当該フレームの第１の音声データおよび第２の音声データを生成して出力し、ダブルトークビットが偽でかつ分離ビットが真のフレームについて、モノラル化メイン音声データから、当該フレームの第２の音声データを出力し、ダブルトークビットが偽でかつ分離ビットが偽のフレームについて、モノラル化メイン音声データから、当該フレームの第１の音声データを出力する。
【００１７】
本発明の第５の特徴は、通話における第１の音声と第２の音声を分離して再生可能な録音データを生成し、再生する通話録音システムに関する。本発明の第５の特徴に係る通話録音システムは、通話録音装置と、音声認識サーバと、を備える。通話録音装置は、第１の音声データと第２の音声データとを合成して、モノラル化メイン音声データを生成し、第２の音声データのレベルが所定値以上である場合、当該モノラル化メイン音声データに、真を設定した分離ビットを設定し、第１の音声データと第２の音声データのダブルトークが検出された場合、当該モノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、第１の音声データと第２の音声データとの差分から、モノラル化サブ音声データを生成するモノラル化手段を備える。音声認識サーバは、第１の音声データと第２の音声データを合成して生成され、第２の音声データのレベルが所定値以上であることを示す分離ビットと、第１の音声データと第２の音声データのダブルトークを示すダブルトークビットとを含むモノラル化メイン音声データと、ダブルトークが検出された際、第１の音声データと第２の音声データとの差分から生成されたモノラル化サブ音声データと、が記憶された記憶装置と、モノラル化メイン音声データから分離ビットを取得するとともに、モノラル化メイン音声データからダブルトークビットを取得し、ダブルトークビットが真の場合、モノラル化メイン音声データとモノラル化サブ音声データから、第１の音声データおよび第２の音声データを生成して出力し、ダブルトークビットが偽でかつ分離ビットが真の場合、モノラル化メイン音声データを第２の音声データとして出力し、分離ビットが偽の場合、モノラル化メイン音声データを第１の音声データとして出力するステレオ化手段を備える。
【００１８】
本発明の第６の特徴は、通話における第１の音声と第２の音声を分離して再生可能な録音データを生成する通話録音方法に関する。本発明の第６の特徴に係る通話録音方法は、第１の音声データと第２の音声データとを合成して、モノラル化メイン音声データを生成するステップと、第２の音声データのレベルが所定値以上である場合、当該モノラル化メイン音声データに、真を設定した分離ビットを設定するステップと、第１の音声データと第２の音声データのダブルトークが検出された場合、当該モノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、第１の音声データと第２の音声データとの差分から、モノラル化サブ音声データを生成するステップと、を備える。
【００１９】
ここで録音データを再生する際、モノラル化メイン音声データから分離ビットを取得するとともに、モノラル化メイン音声データからダブルトークビットを取得するステップと、ダブルトークビットが真の場合、モノラル化メイン音声データとモノラル化サブ音声データから、第１の音声データおよび第２の音声データを生成して出力するステップと、ダブルトークビットが偽でかつ分離ビットが真の場合、モノラル化メイン音声データを第２の音声データとして出力するステップと、分離ビットが偽の場合、モノラル化メイン音声データを第１の音声データとして出力するステップと、をさらに備えることが好ましい。
【発明の効果】
【００２０】
本発明によれば、通話における上り音声と下り音声を分離して再生可能で、データ容量の小さい録音データの通話録音装置、通話録音プログラム、音声認識サーバ、音声認識プログラム、通話録音システムおよび通話録音方法を提供することができる。
【図面の簡単な説明】
【００２１】
【図１】本発明の実施の形態に係る通話録音システムのシステム構成を説明する図である。
【図２】本発明の実施の形態に係る通話録音装置の接続を説明する図である。
【図３】本発明の実施の形態に係る通話録音システムにおいて送受信されるデータを説明する図である。
【図４】本発明の実施の形態に係る通話録音装置のハードウェア構成図である。
【図５】本発明の実施の形態に係る通話録音装置のモノラル化手段によるモノラル化処理を説明するフローチャートである。
【図６】本発明の実施の形態に係る通話録音装置のモノラル化手段の機能ブロックを説明する図である。
【図７】本発明の実施の形態に係るモノラル化処理において、上り音声データおよび下り音声データの各フレームについて、フレームのサンプルごとにモノラル化する処理を説明する図である。
【図８】本発明の実施の形態に係るモノラル化処理において、フレームごとにモノラル化される処理を説明する図である。
【図９】本発明の実施の形態に係るモノラル化メイン音声データの構成を説明する図である。
【図１０】本発明の実施の形態に係る音声認識サーバのハードウェア構成および機能ブロックを説明する図である。
【図１１】本発明の実施の形態に係る音声認識サーバのステレオ化手段によるステレオ化処理を説明するフローチャートである。
【図１２】本発明の実施の形態に係る音声認識サーバのステレオ化手段の機能ブロックを説明する図である。
【図１３】本発明の実施の形態に係る通話録音システムの録音データの容量の削減効果を説明する図である。
【発明を実施するための形態】
【００２２】
次に、図面を参照して、本発明の実施の形態を説明する。以下の図面の記載において、同一または類似の部分には同一または類似の符号を付している。
【００２３】
（通話録音システム）
図１を参照して、本発明の実施の形態に係る通話録音システム６を説明する。通話録音システム６は、通話における第１の音声と第２の音声を分離して再生可能な録音データ６０を生成し、再生する。本発明の実施の形態に係る通話録音システム６は、コールセンターに設置されることを想定する。従って、第１の音声とは、例えば、コールセンターのオペレータが顧客に通話する音声で、第２の音声とは、顧客がオペレータに通話する音声である。本発明の実施の形態係る録音データ６０は、コールセンターにおける顧客とオペレータの通話を、分離して視聴することができる。また録音データ６０は、従来のステレオ形式のデータより、容量の小さいデータである。
【００２４】
本発明の通話録音システム６は、会話では、ほとんどの時間帯は交互に送話され、同時に送話される時間帯が限られるという特徴に着目している。本発明の実施の形態において、同時に送話される時間帯を、ダブルトークと称す。一般的な通話において、一方の話者が話している最中に、別の話者が相槌を打つ場合などに、ダブルトークが発生する。従って、全体の会話時間に対するダブルトークの時間は、かなり限定される。
【００２５】
そこで本発明の実施の形態に係る通話録音システム６においては、会話中の各時間、どちらの話者が通話しているかを示す識別情報（分離ビット）と、ダブルトーク時であることを示す情報（ダブルトークビット）とを利用して、双方の音声を録音しつつ、分離して視聴することができ、また容量の小さい録音データ６０を生成することができる。
【００２６】
通話録音システム６は、第１の通話録音装置１ａ、第２の通話録音装置１ｂ、音声認識サーバ２、第１の電話機本体３ａ、第１の受話器４ａ、第２の電話機本体３ｂおよび第２の受話器４ｂを備える。第１の通話録音装置１ａ、第２の通話録音装置１ｂおよび音声認識サーバ２は、通信ネットワーク５によって相互に通信可能に接続される。通信ネットワーク５は、例えばコールセンター内のＬＡＮである。
【００２７】
図１に示す例において、通話録音装置、電話機本体および受話器は２つずつ備える場合を説明するが、これらは一つずつ備えても良いし、三つ以上備えても良い。本発明の実施の形態において、第１の通話録音装置１ａおよび第２の通話録音装置１ｂを特に区別しない場合、通話録音装置１と記載する場合がある。同様に、第１の電話機本体３ａおよび第２の電話機本体３ｂを特に区別しない場合、電話機本体３と記載する場合がある。第１の受話器４ａおよび第２の受話器４を特に区別しない場合、受話器４と記載する場合がある。
【００２８】
図２に示すように通話録音装置１は、電話機本体３および受話器４に接続される。電話機本体３の受話器用モジュラーラックと、通話録音装置１の第１のモジュラージャックとがハンドセットライン３１で接続され、通話録音装置１の第２のモジュラージャックと受話器４のモジュラージャックとが、ハンドセットライン４１で接続される。通話録音装置１は、ハンドセットライン３１および４１間に流れる信号を取得して、録音データ６０を生成する。さらに通話録音装置１は、生成した録音データ６０を、音声認識サーバ２に送信する。
【００２９】
音声認識サーバ２は、一般的なコンピュータであって、所定の処理を実行する音声認識プログラムがインストールされて実現される。音声認識サーバ２は、通話録音装置１から録音データ６０を受信すると、録音データ６０から、第１の音声と第２の音声とを分離して再生することができる。
【００３０】
電話機本体３は、交換機を介して、顧客と通話する。オペレータは電話機本体３を操作し、受話器４を介して、顧客からの通話を聞き取り、通話内容を顧客に伝える。
【００３１】
ここで、本発明の実施の形態に係る通話録音装置１は、電話機本体３と受話器４間のアナログ信号を取得するので、電話機本体３の種別を問わない。従って、本発明の実施の形態に係る通話録音システム６は、アナログＰＢＸ、ＢＲＩ（Basic Rate Interface）ＰＢＸ、ＰＲＩ（Primary Rate Interface）ＰＢＸ、ＩＰ（Internet Protocol）ＰＢＸなど、あらゆる種類の交換機や電話機に対応することができる。
【００３２】
図３を参照して、本発明の実施の形態に係る通話録音システム６において、装置間で送受信されるデータを説明する。通話録音装置１は、電話機本体３および受話器４間のハンドセットライン３１および４１から、上り音声データ５１と下り音声データ５２とを取得する。この上り音声データ５１と下り音声データ５２は、アナログ信号である。本発明の実施の形態において、上り音声データ５１に関するデータ信号を（Ｌ）と、下り音声データ５２に関するデータ信号を（Ｒ）と表記する場合がある。
【００３３】
通話録音装置１は、上り音声データ５１と下り音声データ５２とを受信すると、モノラル化手段１１によって、上り音声データ５１と下り音声データ５２とをモノラル化し、録音データ６０を出力する。録音データ６０は、モノラル化メイン音声データ６１と、モノラル化サブ音声データ６２とを含む。
【００３４】
モノラル化メイン音声データ６１は、上り音声データ５１と下り音声データ５２とを混合して生成される。モノラル化メイン音声データ６１には、各フレームに、分離ビットおよびダブルトークビットが含まれる。この分離ビットは、フレームが、上り音声か下り音声かを識別するフラグである。分離ビットは、モノラル化メイン音声データにおいて、下り音声データ５２のレベルが所定値以上であるフレームのビットに設定される。またダブルトークビットは、フレームが、ダブルトークを検出したか否かを識別するフラグである。ダブルトークビットは、モノラル化メイン音声データ６１において、ダブルトークを検出したフレームのビットに設定される。
【００３５】
本発明の実施の形態において、分離ビットおよびダブルトークビットは、各フレームの末尾に挿入される場合について説明するが、末尾でなくても良い。分離ビットおよびダブルトークビットは、各フレームの所定位置に挿入されても良い。
【００３６】
モノラル化サブ音声データ６２は、上り音声データ５１と下り音声データ５２との差分から生成される。後述するように、モノラル化サブ音声データ６２は、ダブルトークが発生したフレームについてのみ生成される。従って、モノラル化サブ音声データ６２は、モノラル化メイン音声データ６１と比べて、再生時間において短く、容量においても小さい。
【００３７】
音声認識サーバ２は、録音データ６０を取得すると、ステレオ化手段２１によって録音データ６０をステレオ化し、上り音声データ７１と下り音声データ７２を出力する。ここで、音声認識サーバ２は、ステレオ化手段２１によって録音データ６０をステレオ化することにより、上り通話と下り通話とを分離して出力できるだけではなく、モノラル化メイン音声データ６１を出力し、分離しないで出力することもできる。
【００３８】
このモノラル化メイン音声データ６１には、上記で説明した通り、各フレームに分離ビットとダブルトークビットとが含まれる。ここで、１フレームを２０ｍｓｅｃに設定することにより、２０ｍｓｅｃごとに２ビットのノイズが入ることになるが、一般的な人間が視聴するには何ら問題にはならない。なおここで、１フレームの時間長２０ｍｓｅｃは、音声データの一般的なフレームの時間長である。
【００３９】
（通話録音装置）
図４を参照して、本発明の実施の形態に係る通話録音装置１を説明する。本発明の実施の形態に係る通話録音装置１は、絶縁トランス１０１、ＣＯＤＥＣ１０２、コントローラ１０３、内蔵記憶媒体１０４、ＲＡＭ１０５、ＲＯＭ１０６および通信制御装置１０７を備える。
【００４０】
絶縁トランス１０１は、ハンドセットライン３１および４１間の信号に影響を与えることなく、アナログ音声データとして、上り音声データ５１および下り音声データ５２を取得する。従って、通話録音装置１が通電されていない間でも、電話機本体３および受話器４間の信号の送受信には影響がない。絶縁トランス１０１が取得したアナログ音声データは、ＣＯＤＥＣ１０２に入力される。
【００４１】
ＣＯＤＥＣ１０２は、アナログ音声データである上り音声データ５１および下り音声データ５２を、デジタルデータに変換する。ＣＯＤＥＣ１０２は、上り音声データ５１および下り音声データ５２を、例えば、それぞれ８ｋＨｚでサンプリングし、上り音声および下り音声のそれぞれについて、１６ビットのＰＣＭ信号を出力する。ＣＯＤＥＣ１０２によって生成されたＰＣＭ信号は、コントローラ１０３に入力される。
【００４２】
コントローラ１０３は、通話録音装置１の処理を制御する。このときコントローラ１０３は、内蔵記憶媒体１０４、ＲＡＭ１０５、ＲＯＭ１０６などに記憶されたデータを読み出したり、データを書き込んだりして処理する。
【００４３】
コントローラ１０３は、モノラル化手段１１を備える。モノラル化手段１１は、例えば、コントローラがコンピュータＣＰＵの場合、ファームウェアプログラムなどによって実現されても良い。モノラル化手段１１は、基盤回路によって実現されても良い。モノラル化手段１１は、ＣＯＤＥＣ１０２から入力された上り音声および下り音声のＰＣＭ信号が入力されると、録音データ６０を生成し、通信制御装置１０７に入力する。
【００４４】
モノラル化手段１１は、上り音声データ（第１の音声データ）と下り音声データ（第２の音声データ）とを合成して、モノラル化メイン音声データ６１を生成する。またモノラル化手段１１は、下りの音声データのレベルが所定値以上である場合、モノラル化メイン音声データ６１に、真を設定した分離ビットを設定する。さらにモノラル化手段１１は、上り音声データと下り音声データのダブルトークが検出された場合、モノラル化メイン音声データ６１に、真を設定したダブルトークビットを設定し、上り音声データと下り音声データとの差分から、モノラル化サブ音声データ６２を生成する。
【００４５】
ここで、モノラル化手段１１は、上り音声データおよび下り音声データのフレームごとに、処理する。具体的にはモノラル化手段１１は、下り音声データのレベルが所定値以上であるフレームのビットに、分離ビットを設定するとともに、ダブルトークを検出したフレームのビットに、ダブルトークビットを設定する。またモノラル化手段１１は、ダブルトークが検出されたフレームについて、このモノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、上り音声データと下り音声データとの差分から、モノラル化サブ音声データ６２を生成する。
【００４６】
内蔵記憶媒体１０４は、大容量の記憶媒体で、例えば、ＳＤカードである。ＲＡＭ１０５は、コントローラ１０３が処理する際の一時データを書き込んだり読み込んだりする記憶媒体である。ＲＯＭ１０６は、例えばコントローラ１０３で実行されるプログラムが記憶される。コントローラ１０３は、ＲＯＭ１０６に書き込まれたプログラムを読み出して処理を実行する。プログラムは、ＲＯＭ１０６でなく、書換可能なメモリに書き込まれても良い。
【００４７】
通信制御装置１０７は、通信ネットワーク５と通信するためのインタフェースである。通信制御装置１０７は、コントローラ１０３から録音データ６０が入力されると、録音データ６０を、通信ネットワーク５に送出する。録音データ６０は、通信ネットワーク５を介して音声認識サーバ２に送信される。
【００４８】
図５を参照して、モノラル化手段１１によるモノラル化処理を説明する。
【００４９】
モノラル化手段１１は、ＣＯＤＥＣ１０２から入力された上り音声および下り音声それぞれのＰＣＭ信号について、複数のフレームに分割し、各フレームについてステップＳ１０１からステップＳ１１１の処理を繰り返す。本発明の実施の形態において、フレームの時間長は２０ｍｓｅｃであるので、モノラル化手段１１は、各信号について２０ｍｓｅｃごと（１６０サンプルごと）の複数のフレームに分割する。ここで、上り音声データ５１のＰＣＭ信号の処理対象のフレームを、上り音声フレームデータ（Ｌ）と称し、下り音声データ５２のＰＣＭ信号の処理対象のフレームを、下り音声フレームデータ（Ｒ）と称する。
【００５０】
まずステップＳ１０１においてモノラル化手段１１は、処理対象のフレームの上り音声フレームデータ（Ｌ）と、下り音声フレームデータ（Ｒ）を取得する。さらにステップＳ１０２においてモノラル化手段１１は、ステップＳ１０１で取得した上り音声フレームデータ（Ｌ）と、下り音声フレームデータ（Ｒ）それぞれのレベルを算出する。モノラル化手段１１は例えば、各データの実効値（ＲＭＳ）からレベルを算出する。
【００５１】
ステップＳ１０３においてモノラル化手段１１は、上り音声フレームデータ（Ｌ）と、下り音声フレームデータ（Ｒ）を合成して、モノラル化メイン音声フレームデータ（Ｌ＋Ｒ）を生成する。
【００５２】
ステップＳ１０４においてモノラル化手段１１は、ステップＳ１０２で算出した下り音声フレームデータ（Ｒ）のレベルが、所定値以上であるか否かを判定する。所定値以上である場合、ステップＳ１０５においてモノラル化手段１１は、この処理対象のフレームの分離ビットに”１”（真）を設定する。所定値以上でない場合、ステップＳ１０６においてモノラル化手段１１は、この処理対象の分離ビットに”０”（偽）を設定する。
【００５３】
ここで別実施例も開示する。この分離ビットは、処理対象のフレームが、上り音声か下り音声かを識別するフラグである。そこでモノラル化手段１１は、ステップＳ１０４において、上り音声フレームデータ（Ｌ）と下り音声フレームデータ（Ｒ）のいずれのレベルが高いかを比較し、下り音声フレームデータ（Ｒ）のレベルが高い場合に分離ビットに”１”を設定し、上り音声フレームデータ（Ｌ）のレベルが高い場合に分離ビットに”０”を設定しても良い。
【００５４】
ステップＳ１０７においてモノラル化手段１１は、上り音声フレームデータ（Ｌ）のレベルと下り音声フレームデータ（Ｒ）のレベルとを比較して、ダブルトークであるか否かを判定する。モノラル化手段１１は、例えば、両方のレベルがともに所定値より高い、または同じくらいのレベルなどの場合、ダブルトークが発生していると判断する。
【００５５】
ダブルトークが発生している場合、ステップＳ１０８においてモノラル化手段１１は、ダブルトークビットに”１”を設定する。さらにステップＳ１０９においてモノラル化手段１１は、上り音声フレームデータ（Ｌ）と、下り音声フレームデータ（Ｒ）との差分から、処理対象のフレームについて、モノラル化サブ音声フレームデータ（Ｌ−Ｒ）を生成する。一方、ダブルトークが発生していない場合、ステップＳ１１０においてモノラル化手段１１は、ダブルトークビットに”０”を設定し、処理対象のフレームについて、モノラル化サブ音声フレームデータを生成しない。
【００５６】
ステップＳ１１１においてモノラル化手段１１は、ステップＳ１０３で生成したモノラル化メイン音声フレームデータ（Ｌ＋Ｒ）の末尾２ビットのデータを破棄し、ステップＳ１０５で設定した分離ビットのフラグと、ステップＳ１０８で設定したダブルトークビットのフラグを埋め込む。
【００５７】
全てのフレームについて、ステップＳ１０１ないしステップＳ１１１の処理が終了すると、ステップＳ１１２においてモノラル化手段１１は、モノラル化メイン音声データ６１と、モノラル化サブ音声データ６２とを生成する。モノラル化手段１１は、ステップＳ１１１で生成した各フレームのモノラル化メイン音声フレームデータ（Ｌ＋Ｒ）から、モノラル化メイン音声データ６１を生成する。モノラル化手段１１は、ステップＳ１０９で生成した、ダブルトークが発生した各フレームのモノラル化サブ音声フレームデータ（Ｌ−Ｒ）から、モノラル化サブ音声データ６２を生成する。
【００５８】
このようにモノラル化手段１１は、ダブルトークが検出された場合のみ、モノラル化サブ音声フレームデータ（Ｌ−Ｒ）を生成するので、上り音声データ５１と下り音声データ５２とをそれぞれ分離して記録する場合に比べて、少ない容量の録音データ６０を生成することができる。また、モノラル化メイン音声データ６１として、上り音声データ５１と下り音声データ５２とを混合したデータが含まれているので、分離して視聴する必要がない場合、このモノラル化メイン音声データ６１を視聴すれば良い。なお、各フレームに２ビットのノイズが挿入されるが、一般的な人間の視聴において問題がない範囲であると考えられる。
【００５９】
図６を参照して、モノラル化手段１１の機能ブロックの実装例を説明する。モノラル化手段１１は、合成演算手段１１２、差分演算手段１１３、レベル検出手段１１４、μＬａｗ変換手段１１５、比較手段１１６、ダブルトーク検出手段１１７、分離ビット設定手段１１８およびダブルトークビット設定手段１１９を備える。
【００６０】
モノラル化手段１１には、上り音声データ５１および下り音声データ５２がＣＯＤＥＣ１０２によってそれぞれ変換されたＰＣＭ信号が入力される。上り音声データ５１および下り音声データ５２のそれぞれのＰＣＭ信号は、合成演算手段１１２、差分演算手段１１３、およびレベル検出手段１１４に入力される。
【００６１】
合成演算手段１１２は、上り音声データ５１のＰＣＭ信号（第１の音声データ）と下り音声データ５２のＰＣＭ信号（第２の音声データ）とを合成して、モノラル化メイン音声データ６１のＰＣＭ信号を生成する。差分演算手段１１３は、上り音声データ５１のＰＣＭ信号（第１の音声データ）と下り音声データ５２のＰＣＭ信号（第２の音声データ）との差分から、モノラル化サブ音声データ６２のＰＣＭ信号を生成する。合成演算手段１１２および差分演算手段１１３によって生成されたＰＣＭ信号は、μＬａｗ変換手段１１５に入力される。
【００６２】
μＬａｗ変換手段１１５は、合成演算手段１１２から入力されたＰＣＭ信号を圧縮して、μＬａｗ変換して、モノラル化メイン音声データ６１として出力する。また、μＬａｗ変換手段１１５は、差分演算手段１１３から入力されたＰＣＭ信号をμＬａｗ変換して、ダブルトークが検出された場合、モノラル化サブ音声データ６２として出力する。μＬａｗ変換手段１１５は、各ＰＣＭ信号を、１６ビットから８ビットに圧縮して出力する。
【００６３】
レベル検出手段１１４は、ＣＯＤＥＣ１０２から上り音声データ５１および下り音声データ５２のそれぞれのＰＣＭ信号が入力されると、それぞれのＰＣＭ信号についてレベルを検出する。レベル検出手段１１４は、それぞれのＰＣＭ信号のレベルと、比較手段１１６およびダブルトーク検出手段１１７に入力する。
【００６４】
比較手段１１６は、下り音声データ５２のＰＣＭ信号のレベルが所定値以上であるか否かを比較して、分離ビット設定手段１１８に通知する。分離ビット設定手段１１８は、下り音声データ５２のＰＣＭ信号のレベルが所定値以上であると通知されると、分離ビット設定手段１１８は、モノラル化メイン音声データ６１の所定位置に、真を設定した分離ビットを設定する。具体的には分離ビット設定手段１１８は、モノラル化メイン音声データ６１において、下り音声データのＰＣＭ信号のレベルが所定値以上であるフレームのビットに、真を設定した分離ビットを設定する。
【００６５】
ダブルトーク検出手段１１７は、上り音声データ５１のＰＣＭ信号のレベルと下り音声データ５１のＰＣＭ信号のレベルに基づいて、ダブルトークを検出し、ダブルトークが検出されたか否かを、ダブルトークビット設定手段１１９に通知する。ダブルトークビット設定手段１１９は、ダブルトークが検出されたと通知されると、分離ビット設定手段１１８は、モノラル化メイン音声データの所定位置に、真を設定したダブルトークビットを設定する。具体的にはダブルトークビット設定手段１１９は、モノラル化メイン音声データにおいて、ダブルトークが検出されたフレームのビットに、真を設定したダブルトークビットを設定する。
【００６６】
さらにダブルトーク検出手段１１７は、ダブルトークが検出された場合、差分演算手段１１３の出力信号であってμＬａｗ変換された信号を、モノラル化サブ音声データ６２として出力するよう制御する。
【００６７】
図７を参照して、本発明の実施の形態に係るモノラル化手段１１の合成演算手段１１２および差分演算手段１１３を詳述する。図５を参照して説明した通り、合成演算手段１１２および差分演算手段１１３は、上り音声フレームデータ（Ｌ）および下り音声フレームデータ（Ｒ）のフレーム単位で処理する。さらに詳述すると、合成演算手段１１２および差分演算手段１１３は、図７を参照するように、フレームの中のサンプル単位で信号を処理する。本発明の実施の形態において一つのフレームの時間長は２０ｍｓｅｃで、ＣＯＤＥＣ１０２は８ｋＨｚでサンプリングする。従って、一つのフレームには１６０サンプルが含まれる。１サンプルは、１６ビットで構成される。
【００６８】
図７は、合成演算手段１１２および差分演算手段１１３が、ＣＯＤＥＣ１０２から出力された上り音声データ５１のＰＣＭ信号の所定のフレームの上り音声フレームデータと、下り音声データ５２のＰＣＭ信号の所定のフレームの下り音声フレームデータとを処理する場合を説明する。上り音声フレームデータおよび下り音声フレームデータは、それぞれ、ｎ番目のサンプルからｎ＋１５９番目のサンプルを含む。
【００６９】
合成演算手段１１２は、上り音声フレームデータ（Ｌ）のｎ番目のサンプルと、下り音声フレームデータ（Ｒ）のｎ番目のサンプルを加算して２で割る。同様に、合成演算手段１１２ｎ＋１は、上り音声フレームデータ（Ｌ）のｎ＋１番目のサンプルと、下り音声フレームデータ（Ｒ）のｎ＋１番目のサンプルを加算して２で割る。このような処理を１６０回繰り返すことにより、合成演算手段１１２は、１フレームのモノラル化メイン音声フレームデータ（Ｌ＋Ｒ）を出力することができる。
【００７０】
同様に、差分演算手段１１３は、上り音声フレームデータ（Ｌ）のｎ番目のサンプルと、下り音声フレームデータ（Ｒ）のｎ番目のサンプルの差分を２で割る。同様に、差分演算手段１１３ｎ＋１は、上り音声フレームデータ（Ｌ）のｎ＋１番目のサンプルと、下り音声フレームデータ（Ｒ）のｎ＋１番目のサンプルの差分を２で割る。このような処理を１６０回繰り返すことにより、差分演算手段１１３は、１フレームのモノラル化サブ音声フレームデータ（Ｌ−Ｒ）を出力することができる。
【００７１】
図８を参照して、本発明の実施の形態に係るモノラル化手段１１において、レベル検出手段１１４、μＬａｗ変換手段１１５、比較手段１１６およびダブルトーク検出手段１１７の処理を説明する。
【００７２】
μＬａｗ変換手段１１５は、フレームの単位で、上り音声フレームデータ（Ｌ）と下り音声フレームデータ（Ｒ）について、μＬａｗ変換する。μＬａｗ変換手段は、上り音声フレームデータＦＬ０と上り音声フレームデータＦＲ０のそれぞれのサンプルを、１６ビットから８ビットに圧縮する。これにより、μＬａｗ変換手段１１５は、ＤＭｎ［７．．０］からＤＭｎ＋１５９［７．．０］を生成する。なお、本発明の実施の形態において、μＬａｗ変換後のモノラル化メイン音声フレームデータ（Ｌ＋Ｒ）の最下位２ビット、具体的には、ＤＭｎ＋１５９［１．．０］のデータは破棄され、後に、分離ビット設定手段１１８およびダブルトークビット設定手段１１９によって、分離ビットおよびダブルトークビットが設定される。
【００７３】
レベル検出手段１１４は、上り音声フレームデータ（Ｌ）と下り音声フレームデータ（Ｒ）を処理するため、２チャンネルの処理手段を備える。レベル検出手段１１４ａは、上り音声フレームデータ（Ｌ）のレベルを検出して、比較手段１１６およびダブルトーク検出手段１１７に入力する。レベル検出手段１１４ｂは、下り音声フレームデータ（Ｒ）のレベルを検出して、比較手段１１６およびダブルトーク検出手段１１７に入力する。
【００７４】
比較手段１１６は、上り音声フレームデータ（Ｌ）のレベルと下り音声フレームデータ（Ｒ）のレベルとを比較して、下り音声フレームデータのレベルが高い場合、分離ビット設定手段１１８に、分離ビットに”１”を設定させ、そうでない場合、分離ビットに”０”を設定させる。分離ビット設定手段１１８は、モノラル化メイン音声フレームデータ（Ｌ＋Ｒ）の最下位ビット、具体的には、ＤＭｎ＋１５９［０］に、分離ビット”０”または”１”を設定する。
【００７５】
ダブルトーク検出手段１１７は、上り音声フレームデータ（Ｌ）のレベルと下り音声フレームデータ（Ｒ）のレベルとを比較して、ともにレベルが高い場合、ダブルトークと判断して、ダブルトークビット設定手段１１９に、ダブルトークビットに”１”を設定させ、そうでない場合、ダブルトークビットに”０”を設定させる。分離ビット設定手段１１８は、モノラル化メイン音声フレームデータ（Ｌ＋Ｒ）の最下位＋１ビット、具体的には、ＤＭｎ＋１５９［１］に、ダブルトークビット”０”または”１”を設定する。ここで、このダブルトークビットが”０”の場合、具体的にはこのフレームではダブルトークが検出されなかった場合、このフレームについてモノラル化サブ音声フレームデータ（Ｌ−Ｒ）は出力されない。
【００７６】
図９を参照して、モノラル化メイン音声フレームデータの構造を説明する。モノラル化メイン音声フレームデータ（Ｌ＋Ｒ）は、１６０サンプルで構成される。各サンプルは８ビットで構成される。モノラル化メイン音声フレームデータ（Ｌ＋Ｒ）の末尾２ビットには、ダブルトークビットおよび分離ビットが設定される。
【００７７】
このようにモノラル化メイン音声フレームデータ（Ｌ＋Ｒ）において、２ビットのノイズが発生する。モノラル化メイン音声フレームデータ（Ｌ＋Ｒ）を連結して、モノラル化メイン音声データ６１を生成する。本発明の実施の形態においてサンプリング周波数が８ｋＨｚであるので、モノラル化メイン音声データ６１に、５０Ｈｚごとにノイズが含まれることになる。しかしこのノイズは、非常に微弱なノイズであり、モノラル化メイン音声フレームデータの視聴には影響を与えることはない。
【００７８】
（音声認識サーバ）
図１０を参照して、本発明の最良の実施の形態に係る音声認識サーバ２を説明する。図１０に示すように音声認識サーバ２は、記憶装置２２１、中央処理制御装置２２２、通信制御装置２３１、入力装置２３２、スピーカー２３３などを備える一般的なコンピュータである。音声認識サーバ２は、所定の処理を実行する音声認識プログラムが、一般的なコンピュータにインストールされ実行されることにより実現される。ここで、記憶装置２２１は、ハードディスクなどである。通信制御装置２３１は、ＬＡＮカードやＬＡＮポートである。入力装置２３２は、マウスやキーボードである。
【００７９】
記憶装置２２１は、音声認識プログラムを記憶するとともに、モノラル化メイン音声データ、モノラル化サブ音声データ６２、上り音声データ７１、下り音声データ７２および録音管理データ７３を記憶する。モノラル化メイン音声データ６１およびモノラル化サブ音声データ６２は、録音データ６０として通話録音装置１から受信するデータである。上り音声データ７１および下り音声データ７２は、モノラル化メイン音声データ６１およびモノラル化サブ音声データ６２から生成され、上り音声と下り音声とを分離したデータである。
【００８０】
モノラル化メイン音声データ６１、モノラル化サブ音声データ６２、上り音声データ７１および下り音声データ７２は、後述する中央処理制御装置の各手段によって出力されるデータである。
【００８１】
録音管理データ７３は、モノラル化メイン音声データ６１、上り音声データ７１および下り音声データ７２を検索するための、これらのデータの識別子と、属性情報などが対応づけられたデータである。属性情報とは、データ生成日時、オペレータ氏名、顧客名、対応種別、音声種別などである。ここで音声種別は、音声認識サーバ２において再生可能な音声データの種別である。音声種別は例えば、モノラル化メイン音声データ６１を示すモノラル音声、上り音声データ７１を示す上り音声、下り音声データ７２を示す下り音声などである。
【００８２】
中央処理制御装置２２２は、録音データ取得手段２０、ステレオ化手段２１および検索手段２２を備える。録音データ取得手段２０、ステレオ化手段２１および検索手段は、音声認識プログラムがインストールされ実行されることによって、中央処理制御装置２２２に実装される。
【００８３】
録音データ取得手段２０は、通話録音装置１から、通信制御装置２３１を介して、録音データ６０を取得し、記憶装置２２１に記憶する。この録音データ６０は、モノラル化メイン音声データ６１とモノラル化サブ音声データ６２とを含む。モノラル化メイン音声データ６１とモノラル化サブ音声データ６２は、通話録音装置１で生成される。モノラル化メイン音声データ６１には、分離ビットとダブルトークビットが設定される。
【００８４】
モノラル化メイン音声データ６１は、上り音声データ（第１の音声データ）と下り音声データ（第２の音声データ）を合成して生成され、下り音声データのレベルが所定値以上であることを示す分離ビットと、上り音声データと下り音声データのダブルトークを示すダブルトークビットとを含む。分離ビットは、下り音声データのレベルが所定値以上であるフレームのビットに設定され、ダブルトークビットは、ダブルトークを検出したフレームのビットに設定される。
【００８５】
このモノラル化メイン音声データ６１は、上り音声と下り音声が混合したデータであるので、このままでも聞くことは可能である。また、本発明の実施の形態に係るステレオ化手段２１によって、モノラル化メイン音声データ６１およびモノラル化サブ音声データ６２に基づいて、上り音声と下り音声に分離して聞くこともできる。
【００８６】
ステレオ化手段２１は、モノラル化メイン音声データ６１およびモノラル化サブ音声データ６２から上り音声および下り音声を分離して、上り音声データ７１および下り音声データ７２を生成する。
【００８７】
ステレオ化手段２１は、モノラル化メイン音声データ６１から分離ビットとダブルトークビットを取得する。ダブルトークビットが真の場合、ステレオ化手段２１は、モノラル化メイン音声データ６１とモノラル化サブ音声データ６２から、上り音声データ７１および下り音声データ７２を生成して出力する。ダブルトークビットが偽でかつ分離ビットが真の場合、ステレオ化手段２１は、モノラル化メイン音声データ６１を下り音声データ７２として出力し、分離ビットが偽の場合、モノラル化メイン音声データ６１を上り音声データ７１として出力する。
【００８８】
ここで、ステレオ化手段２１は、モノラル化メイン音声データ６１およびモノラル化サブ音声データ６２のフレームごとに、処理する。具体的にはステレオ化手段２１は、ダブルトークビットが真のフレームについて、モノラル化メイン音声データ６１とモノラル化サブ音声データ６２から、このフレームの上り音声データ７１および下り音声データ７２を生成して出力する。ステレオ化手段２１は、ダブルトークビットが偽でかつ分離ビットが真のフレームについて、モノラル化メイン音声データ６１から、このフレームの下り音声データ７２を出力する。ステレオ化手段２１は、ダブルトークビットが偽でかつ分離ビットが偽のフレームについて、モノラル化メイン音声データ６１から、このフレームの上り音声データ７１を出力する。
【００８９】
検索手段２２は、録音管理データ７３を参照して、所望の音声データを検索する。例えば入力装置２３２から入力された検索条件が入力されると、検索手段２２は、入力された検索条件に合致する属性を録音管理データ７３から検索し、さらに、その合致する属性を持つ音声データを、モノラル化メイン音声データ６１、上り音声データ７１および下り音声データ７２から取得する。検索手段２２はさらに、取得した音声データを再生し、スピーカー２３３から出力する。
【００９０】
ここでユーザは、入力装置２３２を介して、「○月○日の、ＸＸオペレータが△△さんへの通話内容」などと入力することができる。このような条件が入力されると、検索手段２２は、オペレータの顧客への通話のみの音声データを検索し、スピーカー２３３から出力することができる。
【００９１】
図１１を参照して、ステレオ化手段２１によるステレオ化処理を説明する。
【００９２】
ステレオ化手段２１は、モノラル化メイン音声データ６１を複数のフレームに分割し、各フレームについて、ステップＳ２０１ないしステップＳ２０８の処理を繰り返す。本発明の実施の形態において、フレームの時間長は２０ｍｓｅｃであるので、ステレオ化手段２１は、モノラル化メイン音声データ６１を２０ｍｓｅｃごと（１６０サンプルごと）の複数のフレームに分割する。ここで、モノラル化メイン音声データ６１の処理対象のフレームを、モノラル化メイン音声フレームデータ（Ｌ＋Ｒ）と称し、このフレームに対応するモノラル化サブ音声データ６２のフレームを、モノラル化サブ音声フレームデータ（Ｌ−Ｒ）と称する。
【００９３】
まずステップＳ２０１においてステレオ化手段２１は、処理対象のフレームの所定位置から、ダブルトークビットを取得する。このダブルトークビットは、図８などに示されるように、処理対象のフレームの最後から２番目のビットに設定されるので、ステレオ化手段２１は、このビットの値を取得する。
【００９４】
ステップＳ２０２においてステレオ化手段２１は、処理対象のフレームでダブルトークが検出されたか否かを判定する。具体的にステレオ化手段２１は、ステップＳ２０１で取得したダブルトークビットが”１”の場合、処理対象のフレームでダブルトークが検出されたと判定し、”０”の場合、処理対象のフレームでダブルトークが検出されなかったと判定する。
【００９５】
ダブルトークが検出された場合、ステップＳ２０３においてステレオ化手段２１は、モノラル化音声フレームデータ（Ｌ＋Ｒ）とモノラル化サブ音声フレームデータ（Ｌ−Ｒ）とから、上り音声フレームデータ（Ｌ）と下り音声フレームデータ（Ｒ）とを生成する。
【００９６】
一方ダブルトークが検出されなかった場合、ステップＳ２０４においてステレオ化手段２１は、処理対象のフレームの所定位置から、分離ビットを取得する。この分離ビットは、図１１などに示されるように、処理対象のフレームの最後のビットに設定されるので、ステレオ化手段２１は、このビットの値を取得する。
【００９７】
ステップＳ２０５においてステレオ化手段２１は、処理対象のフレームから、下り音声データが検出されるか否かを判定する。具体的にステレオ化手段２１は、ステップＳ２０４で取得した分離ビットが”１”の場合、処理対象のフレームで下り音声データが検出されたと判定し、”０”の場合、処理対象のフレームで下り音声データが検出されなかったと判定する。
【００９８】
ステップＳ２０５において下り音声データが検出された場合、ステップＳ２０６においてステレオ化手段２１は、モノラル化メイン音声フレームデータ（Ｌ＋Ｒ）を、下り音声フレームデータ（Ｒ）として生成する。このとき、ステレオ化手段２１は、上り音声フレームデータ（Ｌ）の出力をゼロとして、具体的には無音として扱う。
【００９９】
一方ステップＳ２０５において下り音声データが検出されなかった場合、ステップＳ２０７においてステレオ化手段２１は、モノラル化メイン音声フレームデータ（Ｌ＋Ｒ）を、上り音声フレームデータ（Ｌ）として生成する。このとき、ステレオ化手段２１は、下り音声フレームデータ（Ｒ）の出力をゼロとして、具体的には無音として扱う。
【０１００】
全てのフレームについてステップＳ２０１ないしステップＳ２０７の処理が終了すると、ステレオ化手段２１は、上り音声データ７１および下り音声データ７２を生成する。具体的にはステレオ化手段２１は、ステップＳ２０３、ステップＳ２０６またはステップＳ２０７で生成された上り音声フレームデータ（Ｌ）を連結して上り音声データ７１を生成するとともに、下り音声フレームデータ（Ｒ）を連結して下り音声データ７２を生成する。ここで、ステレオ化手段２１は、無音として扱ったフレームについては、無音であることを示すデータを連結する。ステレオ化手段２１は、生成した上り音声データ７１および下り音声データ７２を記憶装置２２１に記憶する。
【０１０１】
図１２を参照して、ステレオ化手段２１の機能ブロックの実装例を説明する。ステレオ化手段２１は、分離ビット取得手段２１１、ダブルトークビット取得手段２１２、第１のμＬａｗＰＣＭ変換手段２１３、出力切替手段２１４、第２のμＬａｗＰＣＭ変換手段２１５、上り音声生成手段２１６および下り音声生成手段２１７を備える。
【０１０２】
モノラル化メイン音声データ６１は、分離ビット取得手段２１１およびダブルトークビット取得手段２１２に入力されるとともに、第１のμＬａｗＰＣＭ変換手段２１３に入力される。
【０１０３】
分離ビット取得手段２１１は、モノラル化メイン音声データ６１から分離ビットを取得する。ここで分離ビットは、下り音声データのレベルが所定値以上である、モノラル化メイン音声データのフレームのビットに設定される。分離ビット取得手段２１１は、取得した分離ビットを、第１のμＬａｗＰＣＭ変換手段２１３に入力し、出力切替手段２１４の出力を制御する。
【０１０４】
ダブルトークビット取得手段２１２は、モノラル化メイン音声データ６１からダブルトークビットを取得する。ここでダブルトークビットは、ダブルトークを検出した、モノラル化メイン音声データのフレームのビットに設定される。
【０１０５】
第１のμＬａｗＰＣＭ変換手段２１３は、入力されたモノラル化メイン音声データ６１および分離ビットを、８ビットから１６ビットに伸張して出力する。出力された信号は、出力切替手段２１４に入力される。
【０１０６】
出力切替手段２１４は、ダブルトークビットが”０”（偽）でかつ分離ビットが”１”（真）の場合、モノラル化メイン音声データ６１を下り音声データ７２として出力する。具体的には出力切替手段２１４は、ダブルトークビットが”０”でかつ分離ビットが”１”のフレームについて、モノラル化メイン音声データ６１から、このフレームの下り音声データ７２を出力する。一方、分離ビットが”０”（偽）の場合、モノラル化メイン音声データ６１を上り音声データ７１として出力する。具体的には出力切替手段２１４は、ダブルトークビットが”０”でかつ分離ビットが”０”のフレームについて、モノラル化メイン音声データ６１から、このフレームの上り音声データ７１を出力する。
【０１０７】
出力切替手段２１４は、分離ビット取得手段２１１の制御に従って、モノラル化メイン音声データ６１の伸張信号を、上り音声データ７１として出力するか、下り音声データ７２として出力するかを制御する。分離ビットが”０”の場合、出力切替手段２１４は、モノラル化メイン音声データ６１の伸張信号を、上り音声データ７１として出力し、”１”の場合、下り音声データ７２として出力する。
【０１０８】
ここで、ダブルトークビットは、モノラル化メイン音声データ６１およびモノラル化サブ音声データ６２の第２のμＬａｗＰＣＭ変換手段２１５への入力を制御する。ダブルトークビットが”１”の場合、モノラル化メイン音声データ６１およびモノラル化サブ音声データ６２が第２のμＬａｗＰＣＭ変換手段２１５に入力される。一方ダブルトークビットが”０”の場合、第２のμＬａｗＰＣＭ変換手段２１５には信号は入力されない。
【０１０９】
第２のμＬａｗＰＣＭ変換手段２１５は、モノラル化メイン音声データ６１およびモノラル化サブ音声データ６２が入力されると、入力されたモノラル化メイン音声データ６１およびモノラル化サブ音声データ６２をそれぞれ、８ビットから１６ビットに伸張して出力する。出力された信号は、上り音声生成手段２１６および下り音声生成手段２１７にそれぞれ入力される。
【０１１０】
上り音声生成手段２１６は、ダブルトークビットが”１”（真）の場合、モノラル化メイン音声データ６１とモノラル化サブ音声データ６２から、上り音声データ７１を生成して出力する。上り音声生成手段２１６は、モノラル化メイン音声データ６１（Ｌ＋Ｒ））とモノラル化サブ音声データ６２（Ｌ−Ｒ）とを加算して２で割ることにより、上り音声データ７１を出力する。ここで上り音声生成手段２１６は、ダブルトークビットが真のフレームについて、モノラル化メイン音声データ６１とモノラル化サブ音声データ６２から、このフレームの上り音声データ７１を生成して出力する。
【０１１１】
下り音声生成手段２１７は、ダブルトークビットが”１”（真）の場合、モノラル化メイン音声データ６１とモノラル化サブ音声データ６２から、下り音声データ７２を生成して出力する。下り音声生成手段２１７は、モノラル化メイン音声データ６１（Ｌ＋Ｒ））とモノラル化サブ音声データ６２（Ｌ−Ｒ）との差分を２で割ることにより、下り音声データ７２を出力する。下り音声生成手段２１７は、ダブルトークビットが真のフレームについて、モノラル化メイン音声データ６１とモノラル化サブ音声データ６２から、このフレームの下り音声データ７２を生成して出力する。
【０１１２】
図１３を参照して、本発明の実施の形態に係る通話録音システム６の効果を説明する。図１３においては、各通話について、上り下りの音声を分離してステレオで録音した場合の容量、上り下りの音声を分離せずモノラルで録音した場合の容量、本実施の形態に係る方法で録音した場合の容量を比較している。図１３はさらに、モノラルで録音した場合の容量に対する本実施の形態に係る方法で録音した場合の容量の割合を記載している。
【０１１３】
図１３に示す通り、本実施の形態に係る方法では、モノラル時の容量から数パーセント増加しているものの、ステレオ時の容量よりもかなり少ないことがわかる。また、上述した通り、本実施の形態に係る録音データ６０は、通話における上り音声と下り音声を分離して再生可能である。従って本発明の実施の形態に係る通話録音システム６は、通話における上り音声と下り音声を分離して再生可能で、かつ、データ容量の小さい録音データ６０を生成することができる。
【０１１４】
（その他の実施の形態）
上記のように、本発明の実施の形態によって記載したが、この開示の一部をなす論述および図面はこの発明を限定するものであると理解すべきではない。この開示から当業者には様々な代替実施の形態、実施例および運用技術が明らかとなる。
【０１１５】
例えば、本発明の最良の実施の形態に記載した音声認識サーバは、図１に示すように一つのハードウェア上に構成されても良いし、その機能や処理数に応じて複数のハードウェア上に構成されても良い。また、既存の情報処理システム上に実現されても良い。
【０１１６】
また、本発明の実施の形態においては、録音データを音声認識サーバで再生する場合について説明したが、録音データは、例えば通話録音装置などの他の装置で再生されても良い。
【０１１７】
本発明はここでは記載していない様々な実施の形態等を含むことは勿論である。従って、本発明の技術的範囲は上記の説明から妥当な特許請求の範囲に係る発明特定事項によってのみ定められるものである。
【符号の説明】
【０１１８】
１ 通話録音装置
２ 音声認識サーバ
３ 電話機本体
４ 受話器
５ 通信ネットワーク
６ 通話録音システム
１１ モノラル化手段
２０ 録音データ取得手段
２１ ステレオ化手段
２２ 検索手段
３１、４１ ハンドセットライン
５１、７１ 上り音声データ
５２、７２ 下り音声データ
６０ 録音データ
６１ モノラル化メイン音声データ
６２ モノラル化サブ音声データ
７３ 録音管理データ
１０１ 絶縁トランス
１０２ ＣＯＤＥＣ
１０３ コントローラ
１０４ 内蔵記憶媒体
１０５ ＲＡＭ
１０６ ＲＯＭ
１０７、２３１ 通信制御装置
１１２ 合成演算手段
１１３ 差分演算手段
１１４ レベル検出手段
１１５ μＬａｗ変換手段
１１６ 比較手段
１１７ ダブルトーク検出手段
１１８ 分離ビット設定手段
１１９ ダブルトークビット設定手段
２１１ 分離ビット取得手段
２１２ ダブルトークビット取得手段
２１３、２１５ μＬａｗＰＣＭ変換手段
２１４ 出力切替手段
２１６ 上り音声生成手段
２１７ 下り音声生成手段
２２１ 記憶装置
２２２ 中央処理制御装置
２３２ 入力装置
２３３ スピーカー
【特許請求の範囲】
【請求項１】
通話における第１の音声と第２の音声を分離して再生可能な録音データを生成する通話録音装置であって、
第１の音声データと第２の音声データとを合成して、モノラル化メイン音声データを生成し、
前記第２の音声データのレベルが所定値以上である場合、当該モノラル化メイン音声データに、真を設定した分離ビットを設定し、
前記第１の音声データと前記第２の音声データのダブルトークが検出された場合、当該モノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、前記第１の音声データと前記第２の音声データとの差分から、モノラル化サブ音声データを生成するモノラル化手段
を備えることを特徴とする通話録音装置。
【請求項２】
前記モノラル化手段は、
前記第２の音声データのレベルが所定値以上であるフレームのビットに、前記分離ビットを設定するとともに、ダブルトークを検出したフレームのビットに、前記ダブルトークビットを設定し、
ダブルトークが検出されたフレームについて、当該モノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、前記第１の音声データと前記第２の音声データとの差分から、モノラル化サブ音声データを生成する
ことを特徴とする請求項１に記載の通話録音装置。
【請求項３】
当該通話録音装置は、電話機本体と第１のハンドセットラインで接続されるとともに、受話器と第２のハンドセットラインで接続され、
前記第１の音声データおよび前記第２の音声データは、前記第１および第２のハンドセットラインから取得したアナログ音声を、デジタル化したデータである
ことを特徴とする請求項１に記載の通話録音装置。
【請求項４】
通話における第１の音声と第２の音声を分離して再生可能な録音データを生成する通話録音装置に用いられる通話録音プログラムであって、
第１の音声データと第２の音声データとを合成して、モノラル化メイン音声データを生成し、
前記第２の音声データのレベルが所定値以上である場合、当該モノラル化メイン音声データに、真を設定した分離ビットを設定し、
前記第１の音声データと前記第２の音声データのダブルトークが検出された場合、当該モノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、前記第１の音声データと前記第２の音声データとの差分から、モノラル化サブ音声データを生成するモノラル化手段
として、通話録音装置に内蔵されたコンピュータを機能させるための通話録音プログラム。
【請求項５】
前記モノラル化手段は、
前記第２の音声データのレベルが所定値以上であるフレームのビットに、前記分離ビットを設定するとともに、ダブルトークを検出したフレームのビットに、前記ダブルトークビットを設定し、
ダブルトークが検出されたフレームについて、当該モノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、前記第１の音声データと前記第２の音声データとの差分から、モノラル化サブ音声データを生成する
ことを特徴とする請求項４に記載の通話録音プログラム。
【請求項６】
第１の音声と第２の音声を分離して再生する音声認識サーバであって、
第１の音声データと第２の音声データを合成して生成され、第２の音声データのレベルが所定値以上であることを示す分離ビットと、前記第１の音声データと前記第２の音声データのダブルトークを示すダブルトークビットとを含むモノラル化メイン音声データと、
ダブルトークが検出された際、前記第１の音声データと前記第２の音声データとの差分から生成されたモノラル化サブ音声データと、が記憶された記憶装置と、
前記モノラル化メイン音声データから前記分離ビットと前記ダブルトークビットを取得し、
ダブルトークビットが真の場合、前記モノラル化メイン音声データと前記モノラル化サブ音声データから、前記第１の音声データおよび第２の音声データを生成して出力し、
ダブルトークビットが偽でかつ前記分離ビットが真の場合、前記モノラル化メイン音声データを第２の音声データとして出力し、
前記分離ビットが偽の場合、前記モノラル化メイン音声データを第１の音声データとして出力するステレオ化手段
を備えることを特徴とする音声認識サーバ。
【請求項７】
前記分離ビットは、前記第２の音声データのレベルが所定値以上であるフレームのビットに設定され、
前記ダブルトークビットは、ダブルトークを検出したフレームのビットに設定され、
前記ステレオ化手段は、
前記ダブルトークビットが真のフレームについて、前記モノラル化メイン音声データと前記モノラル化サブ音声データから、当該フレームの前記第１の音声データおよび第２の音声データを生成して出力し、
前記ダブルトークビットが偽でかつ前記分離ビットが真のフレームについて、前記モノラル化メイン音声データから、当該フレームの第２の音声データを出力し、
前記ダブルトークビットが偽でかつ前記分離ビットが偽のフレームについて、前記モノラル化メイン音声データから、当該フレームの第１の音声データを出力する
ことを特徴とする請求項６に記載の音声認識サーバ。
【請求項８】
第１の音声と第２の音声を分離して再生する音声認識サーバに用いる音声認識プログラムであって、
コンピュータを、
第１の音声データと第２の音声データを合成して生成され、第２の音声データのレベルが所定値以上であることを示す分離ビットと、前記第１の音声データと前記第２の音声データのダブルトークを示すダブルトークビットとを含むモノラル化メイン音声データと、
ダブルトークが検出された際、前記第１の音声データと前記第２の音声データとの差分から生成されたモノラル化サブ音声データとを取得して、記憶装置に記憶する録音データ取得手段と、
前記モノラル化メイン音声データから前記分離ビットを取得するとともに、前記モノラル化メイン音声データから前記ダブルトークビットを取得し、
ダブルトークビットが真の場合、前記モノラル化メイン音声データと前記モノラル化サブ音声データから、前記第１の音声データおよび第２の音声データを生成して出力し、
ダブルトークビットが偽でかつ前記分離ビットが真の場合、前記モノラル化メイン音声データを第２の音声データとして出力し、
前記分離ビットが偽の場合、前記モノラル化メイン音声データを第１の音声データとして出力するステレオ化手段
として機能させるための音声認識プログラム。
【請求項９】
前記分離ビットは、モノラル化メイン音声データにおいて、前記第２の音声データのレベルが所定値以上であるフレームのビットに設定され、
前記ダブルトークビットは、前記モノラル化メイン音声データにおいて、ダブルトークを検出したフレームのビットに設定され、
前記ステレオ化手段は、
前記ダブルトークビットが真のフレームについて、前記モノラル化メイン音声データと前記モノラル化サブ音声データから、当該フレームの前記第１の音声データおよび第２の音声データを生成して出力し、
前記ダブルトークビットが偽でかつ前記分離ビットが真のフレームについて、前記モノラル化メイン音声データから、当該フレームの第２の音声データを出力し、
前記ダブルトークビットが偽でかつ前記分離ビットが偽のフレームについて、前記モノラル化メイン音声データから、当該フレームの第１の音声データを出力する
ことを特徴とする請求項８に記載の音声認識プログラム。
【請求項１０】
通話における第１の音声と第２の音声を分離して再生可能な録音データを生成し、再生する通話録音システムであって、
通話録音装置と、音声認識サーバと、を備え、
前記通話録音装置は、
第１の音声データと第２の音声データとを合成して、モノラル化メイン音声データを生成し、
前記第２の音声データのレベルが所定値以上である場合、当該モノラル化メイン音声データに、真を設定した分離ビットを設定し、
前記第１の音声データと前記第２の音声データのダブルトークが検出された場合、当該モノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、前記第１の音声データと前記第２の音声データとの差分から、モノラル化サブ音声データを生成するモノラル化手段を備え、
前記音声認識サーバは、
第１の音声データと第２の音声データを合成して生成され、第２の音声データのレベルが所定値以上であることを示す分離ビットと、前記第１の音声データと前記第２の音声データのダブルトークを示すダブルトークビットとを含むモノラル化メイン音声データと、
ダブルトークが検出された際、前記第１の音声データと前記第２の音声データとの差分から生成されたモノラル化サブ音声データと、が記憶された記憶装置と、
前記モノラル化メイン音声データから前記分離ビットを取得するとともに、前記モノラル化メイン音声データから前記ダブルトークビットを取得し、
ダブルトークビットが真の場合、前記モノラル化メイン音声データと前記モノラル化サブ音声データから、前記第１の音声データおよび第２の音声データを生成して出力し、
ダブルトークビットが偽でかつ前記分離ビットが真の場合、前記モノラル化メイン音声データを第２の音声データとして出力し、
前記分離ビットが偽の場合、前記モノラル化メイン音声データを第１の音声データとして出力するステレオ化手段
を備えることを特徴とする通話録音システム。
【請求項１１】
通話における第１の音声と第２の音声を分離して再生可能な録音データを生成する通話録音方法であって、
第１の音声データと第２の音声データとを合成して、モノラル化メイン音声データを生成するステップと、
前記第２の音声データのレベルが所定値以上である場合、当該モノラル化メイン音声データに、真を設定した分離ビットを設定するステップと、
前記第１の音声データと前記第２の音声データのダブルトークが検出された場合、当該モノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、前記第１の音声データと前記第２の音声データとの差分から、モノラル化サブ音声データを生成するステップと、
を備えることを特徴とする通話録音方法。
【請求項１２】
前記録音データを再生する際、
前記モノラル化メイン音声データから前記分離ビットを取得するとともに、前記モノラル化メイン音声データから前記ダブルトークビットを取得するステップと、
ダブルトークビットが真の場合、前記モノラル化メイン音声データと前記モノラル化サブ音声データから、前記第１の音声データおよび第２の音声データを生成して出力するステップと、
ダブルトークビットが偽でかつ前記分離ビットが真の場合、前記モノラル化メイン音声データを第２の音声データとして出力するステップと、
前記分離ビットが偽の場合、前記モノラル化メイン音声データを第１の音声データとして出力するステップと、
をさらに備えることを特徴とする請求項１１に記載の通話録音方法。
【請求項１】
通話における第１の音声と第２の音声を分離して再生可能な録音データを生成する通話録音装置であって、
第１の音声データと第２の音声データとを合成して、モノラル化メイン音声データを生成し、
前記第２の音声データのレベルが所定値以上である場合、当該モノラル化メイン音声データに、真を設定した分離ビットを設定し、
前記第１の音声データと前記第２の音声データのダブルトークが検出された場合、当該モノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、前記第１の音声データと前記第２の音声データとの差分から、モノラル化サブ音声データを生成するモノラル化手段
を備えることを特徴とする通話録音装置。
【請求項２】
前記モノラル化手段は、
前記第２の音声データのレベルが所定値以上であるフレームのビットに、前記分離ビットを設定するとともに、ダブルトークを検出したフレームのビットに、前記ダブルトークビットを設定し、
ダブルトークが検出されたフレームについて、当該モノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、前記第１の音声データと前記第２の音声データとの差分から、モノラル化サブ音声データを生成する
ことを特徴とする請求項１に記載の通話録音装置。
【請求項３】
当該通話録音装置は、電話機本体と第１のハンドセットラインで接続されるとともに、受話器と第２のハンドセットラインで接続され、
前記第１の音声データおよび前記第２の音声データは、前記第１および第２のハンドセットラインから取得したアナログ音声を、デジタル化したデータである
ことを特徴とする請求項１に記載の通話録音装置。
【請求項４】
通話における第１の音声と第２の音声を分離して再生可能な録音データを生成する通話録音装置に用いられる通話録音プログラムであって、
第１の音声データと第２の音声データとを合成して、モノラル化メイン音声データを生成し、
前記第２の音声データのレベルが所定値以上である場合、当該モノラル化メイン音声データに、真を設定した分離ビットを設定し、
前記第１の音声データと前記第２の音声データのダブルトークが検出された場合、当該モノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、前記第１の音声データと前記第２の音声データとの差分から、モノラル化サブ音声データを生成するモノラル化手段
として、通話録音装置に内蔵されたコンピュータを機能させるための通話録音プログラム。
【請求項５】
前記モノラル化手段は、
前記第２の音声データのレベルが所定値以上であるフレームのビットに、前記分離ビットを設定するとともに、ダブルトークを検出したフレームのビットに、前記ダブルトークビットを設定し、
ダブルトークが検出されたフレームについて、当該モノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、前記第１の音声データと前記第２の音声データとの差分から、モノラル化サブ音声データを生成する
ことを特徴とする請求項４に記載の通話録音プログラム。
【請求項６】
第１の音声と第２の音声を分離して再生する音声認識サーバであって、
第１の音声データと第２の音声データを合成して生成され、第２の音声データのレベルが所定値以上であることを示す分離ビットと、前記第１の音声データと前記第２の音声データのダブルトークを示すダブルトークビットとを含むモノラル化メイン音声データと、
ダブルトークが検出された際、前記第１の音声データと前記第２の音声データとの差分から生成されたモノラル化サブ音声データと、が記憶された記憶装置と、
前記モノラル化メイン音声データから前記分離ビットと前記ダブルトークビットを取得し、
ダブルトークビットが真の場合、前記モノラル化メイン音声データと前記モノラル化サブ音声データから、前記第１の音声データおよび第２の音声データを生成して出力し、
ダブルトークビットが偽でかつ前記分離ビットが真の場合、前記モノラル化メイン音声データを第２の音声データとして出力し、
前記分離ビットが偽の場合、前記モノラル化メイン音声データを第１の音声データとして出力するステレオ化手段
を備えることを特徴とする音声認識サーバ。
【請求項７】
前記分離ビットは、前記第２の音声データのレベルが所定値以上であるフレームのビットに設定され、
前記ダブルトークビットは、ダブルトークを検出したフレームのビットに設定され、
前記ステレオ化手段は、
前記ダブルトークビットが真のフレームについて、前記モノラル化メイン音声データと前記モノラル化サブ音声データから、当該フレームの前記第１の音声データおよび第２の音声データを生成して出力し、
前記ダブルトークビットが偽でかつ前記分離ビットが真のフレームについて、前記モノラル化メイン音声データから、当該フレームの第２の音声データを出力し、
前記ダブルトークビットが偽でかつ前記分離ビットが偽のフレームについて、前記モノラル化メイン音声データから、当該フレームの第１の音声データを出力する
ことを特徴とする請求項６に記載の音声認識サーバ。
【請求項８】
第１の音声と第２の音声を分離して再生する音声認識サーバに用いる音声認識プログラムであって、
コンピュータを、
第１の音声データと第２の音声データを合成して生成され、第２の音声データのレベルが所定値以上であることを示す分離ビットと、前記第１の音声データと前記第２の音声データのダブルトークを示すダブルトークビットとを含むモノラル化メイン音声データと、
ダブルトークが検出された際、前記第１の音声データと前記第２の音声データとの差分から生成されたモノラル化サブ音声データとを取得して、記憶装置に記憶する録音データ取得手段と、
前記モノラル化メイン音声データから前記分離ビットを取得するとともに、前記モノラル化メイン音声データから前記ダブルトークビットを取得し、
ダブルトークビットが真の場合、前記モノラル化メイン音声データと前記モノラル化サブ音声データから、前記第１の音声データおよび第２の音声データを生成して出力し、
ダブルトークビットが偽でかつ前記分離ビットが真の場合、前記モノラル化メイン音声データを第２の音声データとして出力し、
前記分離ビットが偽の場合、前記モノラル化メイン音声データを第１の音声データとして出力するステレオ化手段
として機能させるための音声認識プログラム。
【請求項９】
前記分離ビットは、モノラル化メイン音声データにおいて、前記第２の音声データのレベルが所定値以上であるフレームのビットに設定され、
前記ダブルトークビットは、前記モノラル化メイン音声データにおいて、ダブルトークを検出したフレームのビットに設定され、
前記ステレオ化手段は、
前記ダブルトークビットが真のフレームについて、前記モノラル化メイン音声データと前記モノラル化サブ音声データから、当該フレームの前記第１の音声データおよび第２の音声データを生成して出力し、
前記ダブルトークビットが偽でかつ前記分離ビットが真のフレームについて、前記モノラル化メイン音声データから、当該フレームの第２の音声データを出力し、
前記ダブルトークビットが偽でかつ前記分離ビットが偽のフレームについて、前記モノラル化メイン音声データから、当該フレームの第１の音声データを出力する
ことを特徴とする請求項８に記載の音声認識プログラム。
【請求項１０】
通話における第１の音声と第２の音声を分離して再生可能な録音データを生成し、再生する通話録音システムであって、
通話録音装置と、音声認識サーバと、を備え、
前記通話録音装置は、
第１の音声データと第２の音声データとを合成して、モノラル化メイン音声データを生成し、
前記第２の音声データのレベルが所定値以上である場合、当該モノラル化メイン音声データに、真を設定した分離ビットを設定し、
前記第１の音声データと前記第２の音声データのダブルトークが検出された場合、当該モノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、前記第１の音声データと前記第２の音声データとの差分から、モノラル化サブ音声データを生成するモノラル化手段を備え、
前記音声認識サーバは、
第１の音声データと第２の音声データを合成して生成され、第２の音声データのレベルが所定値以上であることを示す分離ビットと、前記第１の音声データと前記第２の音声データのダブルトークを示すダブルトークビットとを含むモノラル化メイン音声データと、
ダブルトークが検出された際、前記第１の音声データと前記第２の音声データとの差分から生成されたモノラル化サブ音声データと、が記憶された記憶装置と、
前記モノラル化メイン音声データから前記分離ビットを取得するとともに、前記モノラル化メイン音声データから前記ダブルトークビットを取得し、
ダブルトークビットが真の場合、前記モノラル化メイン音声データと前記モノラル化サブ音声データから、前記第１の音声データおよび第２の音声データを生成して出力し、
ダブルトークビットが偽でかつ前記分離ビットが真の場合、前記モノラル化メイン音声データを第２の音声データとして出力し、
前記分離ビットが偽の場合、前記モノラル化メイン音声データを第１の音声データとして出力するステレオ化手段
を備えることを特徴とする通話録音システム。
【請求項１１】
通話における第１の音声と第２の音声を分離して再生可能な録音データを生成する通話録音方法であって、
第１の音声データと第２の音声データとを合成して、モノラル化メイン音声データを生成するステップと、
前記第２の音声データのレベルが所定値以上である場合、当該モノラル化メイン音声データに、真を設定した分離ビットを設定するステップと、
前記第１の音声データと前記第２の音声データのダブルトークが検出された場合、当該モノラル化メイン音声データに、真を設定したダブルトークビットを設定するとともに、前記第１の音声データと前記第２の音声データとの差分から、モノラル化サブ音声データを生成するステップと、
を備えることを特徴とする通話録音方法。
【請求項１２】
前記録音データを再生する際、
前記モノラル化メイン音声データから前記分離ビットを取得するとともに、前記モノラル化メイン音声データから前記ダブルトークビットを取得するステップと、
ダブルトークビットが真の場合、前記モノラル化メイン音声データと前記モノラル化サブ音声データから、前記第１の音声データおよび第２の音声データを生成して出力するステップと、
ダブルトークビットが偽でかつ前記分離ビットが真の場合、前記モノラル化メイン音声データを第２の音声データとして出力するステップと、
前記分離ビットが偽の場合、前記モノラル化メイン音声データを第１の音声データとして出力するステップと、
をさらに備えることを特徴とする請求項１１に記載の通話録音方法。
【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２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【公開番号】特開２０１２−２５７１７５（Ｐ２０１２−２５７１７５Ａ）
【公開日】平成２４年１２月２７日（２０１２．１２．２７）
【国際特許分類】
【出願番号】特願２０１１−１３０３０７（Ｐ２０１１−１３０３０７）
【出願日】平成２３年６月１０日（２０１１．６．１０）
【出願人】（５９３２２２５９５）株式会社ネイクス (18)
【Ｆターム（参考）】
【公開日】平成２４年１２月２７日（２０１２．１２．２７）
【国際特許分類】
【出願日】平成２３年６月１０日（２０１１．６．１０）
【出願人】（５９３２２２５９５）株式会社ネイクス (18)
【Ｆターム（参考）】
[ Back to top ]