電話音声区間検出装置およびそのプログラム
【課題】放送音声データ中に含まれる電話音声区間を自動検出する。
【解決手段】本発明の電話音声区間検出装置は、放送音声データから予め定められた時間間隔でフレーム毎に音声波形を切り出し、音声波形に含まれる電話音声周波数帯域のパワー積算値と、当該電話音声周波数帯域外の帯域のパワー積算値とを演算し、それぞれの積算値を対数化し、対数化されたそれぞれの積算値の差分を生成し、差分の時間的変化を平滑化し、この差分の時間的変化を平滑化した値と、予め設定された閾値とを比較して電話音声区間か否かを判定する。
【解決手段】本発明の電話音声区間検出装置は、放送音声データから予め定められた時間間隔でフレーム毎に音声波形を切り出し、音声波形に含まれる電話音声周波数帯域のパワー積算値と、当該電話音声周波数帯域外の帯域のパワー積算値とを演算し、それぞれの積算値を対数化し、対数化されたそれぞれの積算値の差分を生成し、差分の時間的変化を平滑化し、この差分の時間的変化を平滑化した値と、予め設定された閾値とを比較して電話音声区間か否かを判定する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、放送音声から電話音声区間を検出する電話音声区間検出装置およびそのプログラムに関する。
【背景技術】
【０００２】
従来から、音声区間を検出する方法が種々提案されている。
例えば、短時間の対数エネルギーにおいて適応的な２つの閾値により音声／非音声を判定する方法が知られている（例えば、非特許文献１参照）。
また例えば、放送音声中の音声と音楽とを判別する方法として、単位時間中のゼロ交差の割合とエネルギーを特徴ベクトルとして学習モデルを用いて判定する方法（例えば、非特許文献２参照）や、周波数領域のパラメータを特徴ベクトルとして統計的な識別学習を用いて判定する方法（例えば、非特許文献３参照）が知られている。
【先行技術文献】
【非特許文献】
【０００３】
【非特許文献１】S .V. Gerven and F. Xie, ”A Comparative Study of Speech Detection Methods”, Eurospeech, pp.1095‐1098, 1997.
【非特許文献２】J. Saunders, ”Real‐Time Discrimination of Broadcast Speech/Music”, IEEE ICASSP96, pp.993‐996, May 1996
【非特許文献３】C. Liu, L. Xie and H. Meng, ”Classification of Music and Speech in Mandarin News Broadcasts”, 9th National Conference on Man‐Machine Speech Communication, 2007
【発明の概要】
【発明が解決しようとする課題】
【０００４】
ここで、放送番組の受信機側では、放送音声をユーザの年代に応じて聞き取りやすい速さに変更して享受することが行われている。このような音声処理は、放送音声の帯域を特定の手法で予め分析し、この分析結果を用いて行われている。
【０００５】
ところで、例えばクイズ番組やニュース番組等では、スタジオの司会者等が電話で外部の人間と会話をしながら番組を進行する場面がみられることがある。このような電話音声の帯域は、放送音声の帯域に比べて狭いことから、放送音声に対するのと同様の手法によっては、電話音声の帯域を正確に分析することが困難である。このため、電話音声については、放送音声と別の手法によって帯域を分析する必要がある。したがって、放送音声中の電話音声についても前記したような音声処理を行うためには、放送音声から電話音声を抽出する必要があり、このために、放送音声中の電話音声区間を正確に検出する必要がある。
【０００６】
しかしながら、非特許文献１に開示された技術は、入力データ中の音声区間もしくは非音声区間を検出し判定するものであり、放送音声中の電話音声区間を検出することはできなかった。
また、非特許文献２に開示された方法は、ゼロ交差の割合とエネルギーに基づき、学習により放送音声が音声か音楽かを判定するものであり、放送音声中の電話音声区間を検出することはできなかった。
また、非特許文献３に開示された技術は、周波数領域のパラメータを特徴ベクトルとし、音声か音楽かを学習したうえで識別するものであり、放送音声データ中の電話音声区間を検出し判定することはできなかった。このように、いずれの技術によっても放送音声中の電話音声区間を自動的に検出することができなかった。
【０００７】
また、図９に示されるような放送音声のデータを用いて電話音声区間を検出することも考えられる。ここで、図９（ａ）は、音声波形を、図９（ｂ）は、ソナグラムをそれぞれ示したものである。すなわち、図９（ａ）、（ｂ）に示されるように、音声波形を時間、周波数、強度（パワー）で表示したソナグラム上では、音声のホルマント（主要周波数成分）が縦縞となって特徴的なパターンで出現するため、放送音声中に混在する電話音声を目視で検出することが可能であるが、この方法によると、操作者が放送音声のデータを確認して手作業で電話音声区間を検出しなければならないため、手数がかかってしまっていた。
【０００８】
本発明は上記した課題を解決するためになされたものであり、放送音声データ中に含まれる電話音声区間を自動検出する電話音声区間検出装置およびそのプログラムを提供することを目的とする。
【課題を解決するための手段】
【０００９】
上記した課題を解決するために、本発明の請求項１に記載の電話音声区間検出装置は、入力された放送音声から電話音声区間を検出する電話音声区間検出装置であって、入力音声切出し手段と、パワー積算手段と、対数変換手段と、差分生成手段と、平滑化処理手段と、閾値判定手段とを備えたことを特徴とする。
【００１０】
かかる構成において、電話音声区間検出装置は、入力音声切出し手段によって、前記放送音声データから予め定められた時間間隔でフレーム毎に音声波形を切り出す。
【００１１】
また、電話音声区間検出装置は、パワー積算手段によって、前記入力音声切出し手段によって切り出された前記音声波形に含まれる電話音声周波数帯域のパワー積算値と、当該電話音声周波数帯域外の帯域のパワー積算値とを演算する。これによって、電話音声区間検出装置は、フレーム毎に、電話音声周波数帯域と電話音声周波数帯域外のそれぞれについてのパワー積算値を算出することができる。
【００１２】
さらに、電話音声区間検出装置は、対数変換手段によって、前記パワー積算手段によって算出されたそれぞれの前記パワー積算値を対数化する。これによって、それぞれの前記パワー積算値を対比しやすい値とすることができる。
【００１３】
またさらに、電話音声区間検出装置は、差分生成手段によって、前記対数変換手段によって対数化されたそれぞれの前記パワー積算値の差分を生成する。これによって、電話音声区間検出装置は、フレーム毎に、電話音声周波数帯域のパワー積算値の、電話音声周波数帯域外のパワー積算値に対する割合を算出することができる。
【００１４】
そして、電話音声区間検出装置は、平滑化処理手段によって、前記差分生成手段によって生成された前記差分の時間的変化を平滑化する。これによって、ノイズ等の余分な成分を消すことができるので、閾値判定手段による誤判定を防止することができる。
【００１５】
そして、電話音声区間検出装置は、閾値判定手段によって、前記平滑化処理手段によって平滑化された値と、予め設定された閾値とを比較して前記電話音声区間か否かを判定する。これによって、放送音声中の電話音声区間を自動で検出することができる。具体的には、平滑化された値が閾値以上の場合、電話音声区間と判定し、平滑化された値が閾値よりも小さい場合、電話音声区間ではないと判定する。
【００１６】
また、請求項２に記載の電話音声区間検出装置は、請求項１に記載の電話音声区間検出装置において、前記パワー積算手段は、帯域分割手段と、パワー積算値演算手段とを備えることを特徴とする。
【００１７】
かかる構成によれば、電話音声区間検出装置は、帯域分割手段によって、前記入力音声切出し手段によって切り出された前記音声波形を、前記電話音声周波数帯域と、当該電話音声周波数帯域外の帯域とに帯域分割する。例えば、フィルタによって音声波形をそれぞれの帯域に帯域分割することができる。
【００１８】
また、電話音声区間検出装置は、パワー積算値演算手段によって、前記帯域分割手段によって分割された前記電話音声周波数帯域のパワー積算値と、前記電話音声周波数帯域外の帯域のパワー積算値とを演算する。
【００１９】
また、請求項３に記載の電話音声区間検出装置は、請求項１に記載の電話音声区間検出装置において、前記パワー積算手段は、周波数特性演算手段と、スペクトル算出手段と、パワー積算値演算手段と、を備えることを特徴とする。
かかる構成によれば、電話音声区間検出装置は、周波数特性演算手段によって、前記入力音声切出し手段によって切り出された前記音声波形の周波数特性を算出する。例えば、音声波形をフーリエ変換することによって、周波数特性を算出することができる。
【００２０】
また、電話音声区間検出装置は、スペクトル算出手段によって、前記周波数特性演算手段によって算出された前記周波数特性に基づいて前記電話音声周波数帯域のスペクトルと、前記電話音声周波数帯域外のスペクトルとを算出する。
そして、電話音声区間検出装置は、パワー積算値演算手段によって、前記スペクトル算出手段によって算出された前記電話音声周波数帯域の前記スペクトルのパワー積算値と、前記電話音声周波数帯域外の前記スペクトルのパワー積算値とを演算する。
【００２１】
さらに、請求項４に記載の電話音声区間検出装置は、請求項３に記載の電話音声区間検出装置において、前記周波数特性演算手段が、前記音声波形の振幅スペクトル、線形予測符号によるスペクトル包絡、線形予測符号によるケプストラム包絡、フーリエ解析ケプストラム包絡の少なくとも一つの音声解析を実行して前記周波数特性を算出することを特徴とする。
【００２２】
かかる構成によれば、音声特徴量に基づいて、周波数特性を算出することができる。
【００２３】
また、請求項５に記載の電話音声区間検出装置は、請求項１から請求項４のいずれか一項に記載の電話音声区間検出装置において、前記平滑化処理手段は、ＩＩＲによる低域フィルタ、またはＦＩＲによる低域フィルタとすることを特徴とする。
【００２４】
かかる構成によれば、良好な振幅特性を取り出すことができる。
【００２５】
また、請求項６に記載の音声区間検出プログラムは、入力された放送音声から電話音声区間を検出するために、コンピュータを、入力音声切出し手段、パワー積算手段、対数変換手段、差分生成手段、平滑化処理手段、閾値判定手段として機能させるためのものである。
【００２６】
かかる構成によれば、音声区間検出プログラムは、入力音声切出し手段によって、前記放送音声データから予め定められた時間間隔でフレーム毎に音声波形を切り出す。
そして、音声区間検出プログラムは、パワー積算手段によって、前記入力音声切出し手段によって切り出された前記音声波形に含まれる電話音声周波数帯域のパワー積算値と、当該電話音声周波数帯域外の帯域のパワー積算値とを演算する。
さらに、音声区間検出プログラムは、対数変換手段によって、前記パワー積算手段によって算出されたそれぞれの前記パワー積算値を対数化する。
またさらに、音声区間検出プログラムは、差分生成手段によって、前記対数変換手段によって対数化されたそれぞれの前記パワー積算値の差分を生成する。
そして、音声区間検出プログラムは、平滑化処理手段によって、前記差分生成手段によって生成された前記差分の時間的変化を平滑化する。
そして、音声区間検出プログラムは、閾値判定手段によって、前記平滑化処理手段によって平滑化された値と、予め設定された閾値とを比較して前記電話音声区間か否かを判定する。
【発明の効果】
【００２７】
本発明によれば、放送音声データ中に含まれる電話音声区間を自動で検出することが可能となる。
【図面の簡単な説明】
【００２８】
【図１】本発明の第１の実施形態に係る音声区間検出装置の構成を示すブロック図である。
【図２】本発明の第１の実施形態に係る音声区間検出装置の動作を示すフローチャートである。
【図３】本発明の第１の実施形態に係る音声区間検出装置において、平滑化処理手段としてＩＩＲフィルタを使用した場合の平滑化処理例を時間軸上で示した図である。
【図４】本発明の第１の実施形態に係る音声区間検出装置において、平滑化処理手段としてＦＩＲフィルタを使用した場合の平滑化処理例を時間軸上で示した図である。
【図５】本発明の第１の実施形態に係る音声区間検出装置において、検出閾値が２．０の場合の音声データ毎の電話音声区間検出率の一例を示した図である。
【図６】本発明の第１の実施形態に係る音声区間検出装置において、検出閾値の違いによる電話音声区間検出率の変化を音声データ毎に示した図である。
【図７】本発明の第２の実施形態に係る音声区間検出装置の構成を示すブロック図である。
【図８】本発明の第２の実施形態に係る音声区間検出装置の動作を示すフローチャートである。
【図９】放送音声中に混在する電話音声区間の一例を示した図である。
【発明を実施するための形態】
【００２９】
以下、本発明の実施の形態について、詳細に説明する。
【００３０】
［第１の実施形態］
図１〜図６を参照しながら第１の実施形態に係る電話音声区間検出装置１Ａについて説明する。
図１に示されるように、第１の実施形態に係る電話音声区間検出装置１Ａは、入力音声切出し手段１１Ａと、パワー積算手段１２Ａと、対数変換手段１３と、差分生成手段１４と、平滑化処理手段１５と、閾値判定手段１６と、閾値記憶手段１７と、を含む構成とした。
【００３１】
入力音声切出し手段１１Ａは、外部から放送音声データが入力されると、この入力された放送音声から予め定められた時間間隔で分析フレーム毎に音声波形を切り出すものである。ここで入力される放送音声データは、標本化周波数４８ｋＨｚ、量子化１６ビットでＡＤ（Analog-Digital）変換されたデジタル信号とする。入力音声切出し手段１１Ａは、放送音声データから、例えば、窓幅５０ｍｓ、シフト幅５ｍｓのフレームで音声波形を切り出す。以下では、ｍフレーム、ｎサンプルのデータをｘ（ｍ，ｎ）で表す。但し、０≦ｎ＜Ｎであり、Ｎは窓幅５０ｍｓ相当のサンプル数とする。例えば、所定の窓幅とシフト幅のフレームで音声波形を切り出す。切り出された音声波形は、パワー積算手段１２Ａへ出力される。
【００３２】
パワー積算手段１２Ａは、入力音声切出し手段１１Ａによって切り出された音声波形に含まれる電話音声周波数帯域のパワー積算値と、当該電話音声周波数帯域外の帯域のパワー積算値とを算出するものであり、ここでは、帯域分割手段１２Ａａと、パワー積算値演算手段１２Ａｂとを備えることとした。
帯域分割手段１２Ａａは、入力音声切出し手段１１Ａにより切り出されたフレーム毎の音声波形を、低域、中域、高域の３つの帯域に分割するものである。例えば、中域を電話音声周波数帯域である３００〜３５００Ｈｚとし、低域を３００Ｈｚより小さい帯域とし、高域を３５００Ｈｚより大きい帯域とする。帯域分割手段１２Ａａは、ＩＩＲフィルタまたはＦＩＲフィルタにより、音声波形をそれぞれの帯域に分割する。ここでは、低域の音声波形をｘＬ（ｍ，ｎ）とし、中域の音声波形をｘＭ（ｍ，ｎ）とし、高域の音声波形をｘＨ（ｍ，ｎ）とする。帯域毎の音声波形は、パワー積算値演算手段１２Ａｂへ出力される。
【００３３】
パワー積算値演算手段１２Ａｂは、帯域分割手段１２Ａａで分割された音声波形の帯域毎に音声波形のパワー積算値（振幅の自乗値）を演算するものである。すなわち、パワー積算値演算手段１２Ａｂは、分割された帯域の音声波形において、音声波形の振幅の自乗値を、所定の窓幅とシフト幅のフレーム分積算する。
パワー積算値演算手段１２Ａｂは、例えば式（１）によって低域のパワー積算値ＰＬ（ｍ）と、中域のパワー積算値ＰＭ（ｍ）と、高域のパワー積算値ＰＨ（ｍ）とを算出する。
【００３４】
【数１】
【００３５】
さらに、パワー積算値演算手段１２Ａｂは、低域のパワー積算値ＰＬ（ｍ）と、高域のパワー積算値ＰＨ（ｍ）とを加算し、パワー積算加算値ＰＬ＋Ｈ（ｍ）＝ＰＬ（ｍ）＋ＰＨ（ｍ）を算出する。このようにして算出されたパワー積算加算値ＰＬ＋Ｈ（ｍ）と、中域のパワー積算値ＰＭ（ｍ）は、対数変換手段１３へ出力される。
【００３６】
対数変換手段１３は、パワー積算値演算手段１２Ａｂにより算出されたパワー積算加算値ＰＬ＋Ｈ（ｍ）と、中域のパワー積算値ＰＭ（ｍ）とをそれぞれ対数化するものである。パワー積算加算値ＰＬ＋Ｈ（ｍ）と、中域のパワー積算値ＰＭ（ｍ）とを対数化することで、桁数を揃えることができるので、対比をしやすくなる。ここでは、パワー積算加算値ＰＬ＋Ｈ（ｍ）を対数化した値を、ｌｏｇ（ＰＬ＋Ｈ（ｍ））とし、中域のパワー積算値ＰＭ（ｍ）を対数化した値をｌｏｇ（ＰＭ（ｍ））とする。
このようにして対数化後のパワー積算加算値ｌｏｇ（ＰＬ＋Ｈ（ｍ））と、対数化後の中域のパワー積算値ｌｏｇ（ＰＭ（ｍ））は、差分生成手段１４へ出力される。
【００３７】
差分生成手段１４は、対数変換手段１３により対数化された対数化後の中域のパワー積算値ｌｏｇ（ＰＭ（ｍ））と、対数化後のパワー積算加算値ｌｏｇ（ＰＬ＋Ｈ（ｍ））との差分演算を行い、差分値Ｄ（ｍ）＝ｌｏｇ（ＰＬ＋Ｈ（ｍ））−ｌｏｇ（ＰＭ（ｍ））を生成するものである。生成された差分値Ｄ（ｍ）は、平滑化処理手段１５へ出力される。
【００３８】
平滑化処理手段１５は、差分生成手段１４より出力される差分値を平滑化するものである。平滑化処理手段１５は、例えば、ＩＩＲ（Infinite Impulse Response）フィルタまたはＦＩＲ（Finite Impulse Response）フィルタ等のデジタルフィルタにより差分値を平滑化する。
平滑化処理手段１５は、例えば、以下に示す式（２）で示す一次のＩＩＲフィルタで差分値を平滑化する。
【００３９】
【数２】
ここでα＝０．９９とする。図３は、ＩＩＲフィルタを使用した場合における差分値の平滑化処理例を時間軸上に表したグラフである。図３に示すように、差分値Ｄ（ｍ）を平滑化した値Ｄｓｍｚ（ｍ）は、入力される放送音声データに対するパワー積算値の対数値の０近辺に分布している。
【００４０】
一方、オフライン処理を行う場合は、平滑化処理手段１５は、例えば、標本化周波数を１．０としたとき、カットオフ周波数が０．００５のＦＩＲ型のローパスフィルタで平滑化する。
図４は、ＦＩＲフィルタを使用した場合における差分値の平滑化処理例を時間軸上に表したグラフである。図４に示すように、差分値Ｄ（ｍ）を平滑化した値Ｄｓｍｚ（ｍ）は、入力される放送音声データに対するパワー積算値の対数値の０近辺に分布している。
このようにして平滑化された差分値Ｄｓｍｚ（ｍ）は、閾値判定手段１６へ出力される。
【００４１】
閾値判定手段１６は、平滑化処理手段１５により平滑化された差分値と、閾値記憶手段１７に記憶された最適化された閾値とを比較し、入力音声切出し手段１１Ａで切り出された分析フレーム毎に電話音声区間を判定するものである。最適化された閾値の決定方法については後述する。
【００４２】
以下、図２のフローチャートを参照しながら、図１に示した本発明の第１の実施形態に係る電話音声区間検出装置１Ａの動作について詳細に説明する。
【００４３】
電話音声区間検出装置１Ａは、入力音声切出し手段１１Ａによって、入力された放送音声データを、予め定めた時間間隔で分析フレーム毎に切り出す（ステップＳ２０１）。電話音声区間検出装置１Ａは、入力音声切出し手段１１Ａによって、フレーム毎に切り出した音声波形をパワー積算手段１２Ａに出力する。
【００４４】
電話音声区間検出装置１Ａは、パワー積算手段１２Ａの帯域分割手段１２Ａａによって、入力音声切出し手段１１Ａによりフレーム毎に切り出された音声波形を、低域の音声波形ｘＬ（ｍ，ｎ）と、中域の音声波形ｘＭ（ｍ，ｎ）と、高域の音声波形ｘＨ（ｍ，ｎ）とに分割する（ステップＳ２０２）。
そして、電話音声区間検出装置１Ａは、帯域分割手段１２Ａａによって、低域の音声波形ｘＬ（ｍ，ｎ）と、中域の音声波形ｘＭ（ｍ，ｎ）と、高域の音声波形ｘＨ（ｍ，ｎ）とを、パワー積算値演算手段１２Ａｂに出力する。
【００４５】
電話音声区間検出装置１Ａは、パワー積算手段１２Ａのパワー積算値演算手段１２Ａｂによって、帯域分割手段１２Ａａにより帯域毎に分割されたフレーム毎の音声波形のパワー積算値を前記式（１）により演算し、低域のパワー積算値ＰＬ（ｍ）と、中域のパワー積算値をＰＭ（ｍ）と、高域のパワー積算値をＰＨ（ｍ）とを得る（ステップＳ２０３〜Ｓ２０５）。
【００４６】
さらに、電話音声区間検出装置１Ａは、パワー積算値演算手段１２Ａｂによって、ステップＳ２０４で演算した低域のパワー積算値ＰＬ（ｍ）と、ステップＳ２０６で演算した高域のパワー積算値ＰＨ（ｍ）とを加算し、パワー積算加算値ＰＬ＋Ｈ（ｍ）を算出する（ステップＳ２０６）。そして、電話音声区間検出装置１Ａは、パワー積算値演算手段１２Ａｂによって、得られたパワー積算加算値ＰＬ＋Ｈ（ｍ）と中域のパワー積算値ＰＭ（ｍ）とを、対数変換手段１３へ出力する。
【００４７】
電話音声区間検出装置１Ａは、対数変換手段１３によって、パワー積算手段１２Ａのパワー積算値演算手段１２Ａｂにより算出されたパワー積算加算値ＰＬ＋Ｈ（ｍ）を対数化して対数化後のパワー積算加算値ｌｏｇ（ＰＬ＋Ｈ（ｍ））を得る（ステップＳ２０７）。また、電話音声区間検出装置１Ａは、対数変換手段１３によって、パワー積算手段１２Ａのパワー積算値演算手段１２Ａｂにより算出された中域のパワー積算値ＰＭ（ｍ）を対数化して、対数化後の中域のパワー積算値ｌｏｇ（ＰＭ（ｍ））を得る（ステップＳ２０８）。
そして、電話音声区間検出装置１Ａは、対数変換手段１３によって、得られた対数化後のパワー積算加算値ｌｏｇ（ＰＬ＋Ｈ（ｍ））と、対数化後の中域のパワー積算値ｌｏｇ（ＰＭ（ｍ））を差分生成手段１４に出力する。
【００４８】
電話音声区間検出装置１Ａは、差分生成手段１４によって、対数変換手段１３から入力された対数化後のパワー積算加算値ｌｏｇ（ＰＬ＋Ｈ（ｍ））と、対数化後の中域のパワー積算値ｌｏｇ（ＰＭ（ｍ））との差分演算を行い、差分値Ｄ（ｍ）を得る（ステップＳ２０９）。そして、電話音声区間検出装置１Ａは、差分生成手段１４によって、得られた差分値Ｄ（ｍ）を平滑化処理手段１５に出力する。
【００４９】
電話音声区間検出装置１Ａは、平滑化処理手段１５によって、差分生成手段１４により得られた差分値Ｄ（ｍ）を平滑化し、差分値Ｄ（ｍ）を平滑化した値Ｄｓｍｚ（ｍ）を生成する（ステップＳ２１０）。そして、電話音声区間検出装置１Ａは、平滑化処理手段１５によって、差分値Ｄ（ｍ）を平滑化した値Ｄｓｍｚ（ｍ）を閾値判定手段１６に出力する。
【００５０】
電話音声区間検出装置１Ａは、閾値判定手段１６によって、平滑化処理手段１５から入力された差分値Ｄ（ｍ）を平滑化した値Ｄｓｍｚ（ｍ）を、閾値記憶手段１７に記憶された予め適切に設定した閾値ＤＴＨと比較判定する（ステップＳ２１１）。そして、電話音声区間検出装置１Ａは、閾値判定手段１６によって、差分値Ｄ（ｍ）を平滑化した値Ｄｓｍｚ（ｍ）が、閾値ＤＴＨ未満と判定した場合には（ステップＳ２１１“＜”）、この分析フレームを電話音声区間と判定する（ステップＳ２１２）。
以上の動作によって、電話音声区間検出装置１Ａは、電話音声区間を自動で検出することができる。
【００５１】
［閾値設定方法］
ここで、電話音声区間検出装置１Ａの閾値判定手段１６によって、最適な閾値ＤＴＨを設定する方法について説明する。
図５に、閾値ＤＴＨを２．０としたときの音声データ毎の再現率ＲＲと、適合率ＲＰ、および、検出率Ｆの例を示す。検出率Ｆは、閾値ＤＴＨにより、電話音声区間を正しく判定できたか否かを評価する指標である。なお、閾値ＤＴＨは、入力される各放送音声データに対し、各分析フレームが、電話音声区間か、電話音声区間以外かを事前に人手により判定したものを正解とし、以下に説明する方法で設定している。
検出率Ｆは、以下に示す式（３）に示されるように、再現率ＲＲと、適合率ＲＰから求められる。
【００５２】
【数３】
【００５３】
つまり、再現率ＲＲと適合率ＲＰとをこのように定義したときに、一例として、検出率Ｆは式（３）により求められる。
【００５４】
また、図６に、入力される放送音声データ毎の閾値ＤＴＨの違いによる検出率Ｆの変化例を示す。図６に示す例によれば、閾値ＤＴＨが２．０のときに、音声データによらずに比較的高い性能を示す最適値となる。
【００５５】
すなわち、閾値判定手段１６は、放送音声データを構成するフレームのそれぞれが電話音声区間か電話音声区間外かについて予め人手により判定したデータ（学習データ）に基づき、自身による電話音声区間の判定が人手による電話音声区間判定に合致したフレーム数と、人手により合致したと判定したフレーム数との割合を示す再現率ＲＲと、人手による判定が電話音声区間判定に合致したフレーム数と、自身による電話音声区間判定フレーム数との割合を示す適合率ＲＰとを算出し、ここで算出された再現率ＲＲと適合率ＲＰを式（３）に代入して求めた検出率Ｆに基づき最適な閾値ＤＴＨを設定する。
【００５６】
上述した第１の実施形態によれば、電話音声区間検出装置１Ａは、入力される放送音声データに対してフレーム毎に音声波形を切り出し、低域、中域、高域に帯域分割して、電話音声周波数帯域（中域）のパワー積算値と、電話音声周波数帯域外（低域と高域）の帯域のパワー積算値（パワー積算加算値）の対数をとった差分を平滑化した値について、閾値と比較判定することで、放送音声中の電話音声区間を自動的に検出することができる。また、閾値を決定するにあたり、事前に与えられた学習データセットによって得られた最適値を用いることで、電話音声区間のより正確な検出が可能になる。
【００５７】
［第２の実施形態］
次に、図７を参照しながら本発明の第２の実施形態に係る電話音声区間検出装置１Ｂについて説明する。
以下に説明する本発明の第２の実施形態に係る電話音声区間検出装置１Ｂにおいて、本発明の第１の実施形態に係る電話音声区間検出装置１Ａとの差異は、入力音声切出し手段の構成およびパワー積算手段の構成を変更した点にある。以下の第２の実施形態に係る電話音声区間検出装置１Ｂの説明において、第１の実施形態に係る電話音声区間検出装置１Ａと共通する構成については同一の符号を付し重複する説明を省略する。
【００５８】
電話音声区間検出装置１Ｂは、入力音声切出し手段１１Ｂと、パワー積算手段１２Ｂと、対数変換手段１３と、差分生成手段１４と、平滑化処理手段１５と、閾値判定手段１６と、閾値記憶手段１７と、を備える構成とした。
【００５９】
入力音声切出し手段１１Ｂは、音声波形切出し手段１１Ｂａと、窓関数乗算手段１１Ｂｂとを備える。
音声波形切出し手段１１Ｂａは、外部から放送音声データが入力されると、この入力された放送音声から予め定められた時間間隔で分析フレーム毎に音声波形を切り出すものである。切り出された音声波形は、窓関数乗算手段１１Ｂｂに出力される。
【００６０】
窓関数乗算手段１１Ｂｂは、音声波形切出し手段１１Ｂａによって切り出された音声波形に窓関数を乗算するものである。窓関数を乗じるのは、次に述べるＦＦＴ演算手段１２Ｂａによって周波数特性を求める際に、切り出し区間の始めと終わりの部分が不連続となることによりスペクトル特性に与える影響を極力少なくするためである。窓関数が乗算された音声波形は、パワー積算手段１２Ｂに出力される。
【００６１】
パワー積算手段１２Ｂは、ＦＦＴ（Fast Fourier Transform）演算手段１２Ｂａ（周波数特性演算手段）と、スペクトル算出手段１２Ｂｂと、パワー積算値演算手段１２Ｂｃを備えたことにある。
【００６２】
ＦＦＴ演算手段１２Ｂａは、入力音声切出し手段１１Ｂによってフレーム毎に切り出された放送音声データ中にどの周波数成分がどれくらい含まれているかを示す周波数特性Ｘ（ｍ，ｋ）＝ＦＦＴ（ｘ（ｍ，ｎ））をフーリエ変換により抽出するものである。但し、ここでは、０≦ｋ＜Ｋとし、Ｋは、窓幅５０ｍｓ相当のサンプル数を超える最小の２の累乗数であり、たとえば、標本化周波数４８ｋＨｚでは４０９６ポイントになる。演算された周波数特性は、スペクトル算出手段１２Ｂｂへ出力される。
【００６３】
スペクトル算出手段１２Ｂｂは、ＦＦＴ演算手段１２Ｂａにより演算された周波数特性から、周波数振幅特性を算出するものである。スペクトル算出手段１２Ｂｂは、ＦＦＴ演算手段１２Ｂａにより演算された周波数特性から、スペクトルＳＸ（ｍ，ｋ）＝｜Ｘ（ｍ，ｋ）｜を演算する。
なお、周波数振幅で表現可能な音声特徴量であれば特に限定されるものではなく、例えば、振幅スペクトル、ＬＰＣ（線形予測符号：Linear Predictive Coding）によるスペクトル包絡、ＬＰＣケプストラムによるスペクトル包絡、または、ＦＦＴケプストラムによるスペクトル包絡に類するものを用いることができる。
【００６４】
パワー積算値演算手段１２Ｂｃは、スペクトル算出手段１２Ｂｂによって算出されたスペクトルＳＸ（ｍ，ｋ）に基づき、帯域毎のパワー積算値（振幅スペクトルの自乗和）を演算するものである。
パワー積算値演算手段１２Ｂｃは、例えば式（４）によって低域のパワー積算値ＰＬ（ｍ）と、中域のパワー積算値ＰＭ（ｍ）と、高域のパワー積算値ＰＨ（ｍ）とを演算する。
【００６５】
【数４】
【００６６】
ここで、例えば標本化周波数４８ｋＨｚにおけるフーリエ変換のポイント数Ｋを４０９６ポイントとしたとき、ＫＬを３００Ｈｚ相当の２５とし、ＫＭを３５００Ｈｚ相当の２９８とし、ＫＨを標本化周波数の半分に相当する２４ｋＨｚ相当の２０４８とする。
さらに、パワー積算値演算手段１２Ｂｃは、低域のパワー積算値ＰＬ（ｍ）と、高域のパワー積算値ＰＨ（ｍ）とを加算し、パワー積算加算値ＰＬ＋Ｈ（ｍ）＝ＰＬ（ｍ）＋ＰＨ（ｍ）を算出する。このようにして算出されたパワー積算加算値ＰＬ＋Ｈ（ｍ）と、中域のパワー積算値ＰＭ（ｍ）は、対数変換手段１３へ出力される。
【００６７】
以下、図８のフローチャートを参照しながら、図７に示した本発明の第２の実施形態に係る電話音声区間検出装置１Ｂの動作について、第１の実施形態に係る電話音声区間検出装置１Ａの動作と異なる点を主に説明する。
【００６８】
まず、電話音声区間検出装置１Ｂは、入力音声切出し手段１１Ｂによって、放送音声データが入力される。ここで入力される放送音声データは、標本化周波数４８ｋＨｚ、量子化１６ビットでＡＤ（Analog-Digital）変換されたデジタル信号とする。電話音声区間検出装置１Ｂは、入力音声切出し手段１１Ｂの音声波形切出し手段１１Ｂａによって、入力された放送音声データを、予め定めた時間間隔で分析フレーム毎に切り出し、窓関数乗算手段１１Ｂｂに出力する（ステップＳ８０１）。
次に、電話音声区間検出装置１Ｂは、入力音声切出し手段１１Ｂの窓関数乗算手段１Ｂｂによって、音声波形切出し手段１１Ｂａによって切り出された音声波形に、窓関数を乗算し、パワー積算手段１２Ｂに出力する（ステップＳ８０２）。
【００６９】
続いて、電話音声区間検出装置１Ｂは、パワー積算手段１２ＢのＦＦＴ演算手段１２Ｂａによって、音声波形切出し手段１１Ｂａによりフレーム毎に切り出され、窓関数乗算手段１１Ｂｂによって窓関数が乗算された音声波形をフーリエ変換することで、周波数特性を求める（ステップＳ８０３）。電話音声区間検出装置１Ｂは、ＦＦＴ演算手段１２Ｂａによって、演算した周波数特性を、スペクトル算出手段１２Ｂｂに出力する。
【００７０】
次に、電話音声区間検出装置１Ｂは、パワー積算手段１２Ｂのスペクトル算出手段１２Ｂｂによって、ＦＦＴ演算手段１２Ｂａにより演算された周波数特性からスペクトルＳＸ（ｍ，ｋ）を算出する（ステップＳ８０４）。
そして、電話音声区間検出装置１Ｂは、パワー積算値演算手段１２Ｂｃによって、スペクトル算出手段１２Ｂｂにより算出されたスペクトルＳＸ（ｍ，ｋ）に基づいて、帯域毎のパワー積算値をそれぞれ演算する（ステップＳ８０５〜Ｓ８０７）。すなわち、パワー積算値演算手段１２Ｂｃによって、低域のパワー積算値ＰＬ（ｍ）と、中域のパワー積算値ＰＭ（ｍ）と、高域のパワー積算値ＰＨ（ｍ）とを演算する。
【００７１】
さらに、電話音声区間検出装置１Ｂは、パワー積算値演算手段１２Ｂｃによって、ステップＳ８０５で演算した低域のパワー積算値ＰＬ（ｍ）と、ステップＳ８０７で演算した高域のパワー積算値ＰＨ（ｍ）とを加算し、パワー積算加算値ＰＬ＋Ｈ（ｍ）を算出する（ステップＳ８０８）。そして、電話音声区間検出装置１Ｂは、パワー積算値演算手段１２Ｂｃによって、得られたパワー積算加算値ＰＬ＋Ｈ（ｍ）と中域のパワー積算値ＰＭ（ｍ）とを、対数変換手段１３に出力する。
【００７２】
以降の動作は、第１の実施形態と同様であり、電話音声周波数帯域のパワー積算値と電話音声周波数帯域以外の帯域のパワー積算値の対数変換を行い、その差の時間変化を平滑化した値について閾値判定する。なお、第２の実施形態においても、第１の実施形態と同様、閾値を決定するにあたり、事前に与えられた学習データセットによって得られた最適値を用いることとする。
すなわち、ステップＳ８０９は、図２のステップＳ２０７に、ステップＳ８１０は、図２のステップＳ２０８に、ステップＳ８１１は、図２のステップＳ２０９に、ステップＳ８１２は、図２のステップＳ２１０に、ステップＳ８１３は、図２のステップＳ２１１に、ステップＳ８１４は、図２のステップＳ２１２に、それぞれ相当する。
【００７３】
上述した第２の実施形態によれば、電話音声区間検出装置１Ｂは、入力される放送音声データに対してフレーム毎に音声波形を切り出し、切り出した音声波形の周波数特性を算出し、さらに、音声波形の周波数特性のスペクトルを算出し、電話音声周波数帯域（中域）と、電話音声周波数帯域以外の音声帯域（低域と高域）のスペクトルのパワーの積算値をそれぞれ算出し、電話音声周波数帯域のパワー積算値と、それ以外の音声帯域のパワー積算値（パワー積算加算値）の対数をとった差分を平滑化した値について閾値判定することで、放送音声中の電話音声区間を自動的に検出することができる。
【符号の説明】
【００７４】
１Ａ、１Ｂ 電話音声区間検出装置
１１Ａ 入力音声切出し手段
１１Ｂ 入力音声切出し手段
１１Ｂａ 音声波形切出し手段
１１Ｂｂ 窓関数乗算手段
１２Ａ パワー積算手段
１２Ａａ 帯域分割手段
１２Ａｂ パワー積算値演算手段
１２Ｂ パワー積算手段
１２Ｂａ ＦＦＴ演算手段（周波数特性演算手段）
１２Ｂｂ スペクトル算出手段
１２Ｂｃ パワー積算値演算手段
１３ 対数変換手段
１４ 差分生成手段
１５ 平滑化処理手段
１６ 閾値判定手段
１７ 閾値記憶手段
【技術分野】
【０００１】
本発明は、放送音声から電話音声区間を検出する電話音声区間検出装置およびそのプログラムに関する。
【背景技術】
【０００２】
従来から、音声区間を検出する方法が種々提案されている。
例えば、短時間の対数エネルギーにおいて適応的な２つの閾値により音声／非音声を判定する方法が知られている（例えば、非特許文献１参照）。
また例えば、放送音声中の音声と音楽とを判別する方法として、単位時間中のゼロ交差の割合とエネルギーを特徴ベクトルとして学習モデルを用いて判定する方法（例えば、非特許文献２参照）や、周波数領域のパラメータを特徴ベクトルとして統計的な識別学習を用いて判定する方法（例えば、非特許文献３参照）が知られている。
【先行技術文献】
【非特許文献】
【０００３】
【非特許文献１】S .V. Gerven and F. Xie, ”A Comparative Study of Speech Detection Methods”, Eurospeech, pp.1095‐1098, 1997.
【非特許文献２】J. Saunders, ”Real‐Time Discrimination of Broadcast Speech/Music”, IEEE ICASSP96, pp.993‐996, May 1996
【非特許文献３】C. Liu, L. Xie and H. Meng, ”Classification of Music and Speech in Mandarin News Broadcasts”, 9th National Conference on Man‐Machine Speech Communication, 2007
【発明の概要】
【発明が解決しようとする課題】
【０００４】
ここで、放送番組の受信機側では、放送音声をユーザの年代に応じて聞き取りやすい速さに変更して享受することが行われている。このような音声処理は、放送音声の帯域を特定の手法で予め分析し、この分析結果を用いて行われている。
【０００５】
ところで、例えばクイズ番組やニュース番組等では、スタジオの司会者等が電話で外部の人間と会話をしながら番組を進行する場面がみられることがある。このような電話音声の帯域は、放送音声の帯域に比べて狭いことから、放送音声に対するのと同様の手法によっては、電話音声の帯域を正確に分析することが困難である。このため、電話音声については、放送音声と別の手法によって帯域を分析する必要がある。したがって、放送音声中の電話音声についても前記したような音声処理を行うためには、放送音声から電話音声を抽出する必要があり、このために、放送音声中の電話音声区間を正確に検出する必要がある。
【０００６】
しかしながら、非特許文献１に開示された技術は、入力データ中の音声区間もしくは非音声区間を検出し判定するものであり、放送音声中の電話音声区間を検出することはできなかった。
また、非特許文献２に開示された方法は、ゼロ交差の割合とエネルギーに基づき、学習により放送音声が音声か音楽かを判定するものであり、放送音声中の電話音声区間を検出することはできなかった。
また、非特許文献３に開示された技術は、周波数領域のパラメータを特徴ベクトルとし、音声か音楽かを学習したうえで識別するものであり、放送音声データ中の電話音声区間を検出し判定することはできなかった。このように、いずれの技術によっても放送音声中の電話音声区間を自動的に検出することができなかった。
【０００７】
また、図９に示されるような放送音声のデータを用いて電話音声区間を検出することも考えられる。ここで、図９（ａ）は、音声波形を、図９（ｂ）は、ソナグラムをそれぞれ示したものである。すなわち、図９（ａ）、（ｂ）に示されるように、音声波形を時間、周波数、強度（パワー）で表示したソナグラム上では、音声のホルマント（主要周波数成分）が縦縞となって特徴的なパターンで出現するため、放送音声中に混在する電話音声を目視で検出することが可能であるが、この方法によると、操作者が放送音声のデータを確認して手作業で電話音声区間を検出しなければならないため、手数がかかってしまっていた。
【０００８】
本発明は上記した課題を解決するためになされたものであり、放送音声データ中に含まれる電話音声区間を自動検出する電話音声区間検出装置およびそのプログラムを提供することを目的とする。
【課題を解決するための手段】
【０００９】
上記した課題を解決するために、本発明の請求項１に記載の電話音声区間検出装置は、入力された放送音声から電話音声区間を検出する電話音声区間検出装置であって、入力音声切出し手段と、パワー積算手段と、対数変換手段と、差分生成手段と、平滑化処理手段と、閾値判定手段とを備えたことを特徴とする。
【００１０】
かかる構成において、電話音声区間検出装置は、入力音声切出し手段によって、前記放送音声データから予め定められた時間間隔でフレーム毎に音声波形を切り出す。
【００１１】
また、電話音声区間検出装置は、パワー積算手段によって、前記入力音声切出し手段によって切り出された前記音声波形に含まれる電話音声周波数帯域のパワー積算値と、当該電話音声周波数帯域外の帯域のパワー積算値とを演算する。これによって、電話音声区間検出装置は、フレーム毎に、電話音声周波数帯域と電話音声周波数帯域外のそれぞれについてのパワー積算値を算出することができる。
【００１２】
さらに、電話音声区間検出装置は、対数変換手段によって、前記パワー積算手段によって算出されたそれぞれの前記パワー積算値を対数化する。これによって、それぞれの前記パワー積算値を対比しやすい値とすることができる。
【００１３】
またさらに、電話音声区間検出装置は、差分生成手段によって、前記対数変換手段によって対数化されたそれぞれの前記パワー積算値の差分を生成する。これによって、電話音声区間検出装置は、フレーム毎に、電話音声周波数帯域のパワー積算値の、電話音声周波数帯域外のパワー積算値に対する割合を算出することができる。
【００１４】
そして、電話音声区間検出装置は、平滑化処理手段によって、前記差分生成手段によって生成された前記差分の時間的変化を平滑化する。これによって、ノイズ等の余分な成分を消すことができるので、閾値判定手段による誤判定を防止することができる。
【００１５】
そして、電話音声区間検出装置は、閾値判定手段によって、前記平滑化処理手段によって平滑化された値と、予め設定された閾値とを比較して前記電話音声区間か否かを判定する。これによって、放送音声中の電話音声区間を自動で検出することができる。具体的には、平滑化された値が閾値以上の場合、電話音声区間と判定し、平滑化された値が閾値よりも小さい場合、電話音声区間ではないと判定する。
【００１６】
また、請求項２に記載の電話音声区間検出装置は、請求項１に記載の電話音声区間検出装置において、前記パワー積算手段は、帯域分割手段と、パワー積算値演算手段とを備えることを特徴とする。
【００１７】
かかる構成によれば、電話音声区間検出装置は、帯域分割手段によって、前記入力音声切出し手段によって切り出された前記音声波形を、前記電話音声周波数帯域と、当該電話音声周波数帯域外の帯域とに帯域分割する。例えば、フィルタによって音声波形をそれぞれの帯域に帯域分割することができる。
【００１８】
また、電話音声区間検出装置は、パワー積算値演算手段によって、前記帯域分割手段によって分割された前記電話音声周波数帯域のパワー積算値と、前記電話音声周波数帯域外の帯域のパワー積算値とを演算する。
【００１９】
また、請求項３に記載の電話音声区間検出装置は、請求項１に記載の電話音声区間検出装置において、前記パワー積算手段は、周波数特性演算手段と、スペクトル算出手段と、パワー積算値演算手段と、を備えることを特徴とする。
かかる構成によれば、電話音声区間検出装置は、周波数特性演算手段によって、前記入力音声切出し手段によって切り出された前記音声波形の周波数特性を算出する。例えば、音声波形をフーリエ変換することによって、周波数特性を算出することができる。
【００２０】
また、電話音声区間検出装置は、スペクトル算出手段によって、前記周波数特性演算手段によって算出された前記周波数特性に基づいて前記電話音声周波数帯域のスペクトルと、前記電話音声周波数帯域外のスペクトルとを算出する。
そして、電話音声区間検出装置は、パワー積算値演算手段によって、前記スペクトル算出手段によって算出された前記電話音声周波数帯域の前記スペクトルのパワー積算値と、前記電話音声周波数帯域外の前記スペクトルのパワー積算値とを演算する。
【００２１】
さらに、請求項４に記載の電話音声区間検出装置は、請求項３に記載の電話音声区間検出装置において、前記周波数特性演算手段が、前記音声波形の振幅スペクトル、線形予測符号によるスペクトル包絡、線形予測符号によるケプストラム包絡、フーリエ解析ケプストラム包絡の少なくとも一つの音声解析を実行して前記周波数特性を算出することを特徴とする。
【００２２】
かかる構成によれば、音声特徴量に基づいて、周波数特性を算出することができる。
【００２３】
また、請求項５に記載の電話音声区間検出装置は、請求項１から請求項４のいずれか一項に記載の電話音声区間検出装置において、前記平滑化処理手段は、ＩＩＲによる低域フィルタ、またはＦＩＲによる低域フィルタとすることを特徴とする。
【００２４】
かかる構成によれば、良好な振幅特性を取り出すことができる。
【００２５】
また、請求項６に記載の音声区間検出プログラムは、入力された放送音声から電話音声区間を検出するために、コンピュータを、入力音声切出し手段、パワー積算手段、対数変換手段、差分生成手段、平滑化処理手段、閾値判定手段として機能させるためのものである。
【００２６】
かかる構成によれば、音声区間検出プログラムは、入力音声切出し手段によって、前記放送音声データから予め定められた時間間隔でフレーム毎に音声波形を切り出す。
そして、音声区間検出プログラムは、パワー積算手段によって、前記入力音声切出し手段によって切り出された前記音声波形に含まれる電話音声周波数帯域のパワー積算値と、当該電話音声周波数帯域外の帯域のパワー積算値とを演算する。
さらに、音声区間検出プログラムは、対数変換手段によって、前記パワー積算手段によって算出されたそれぞれの前記パワー積算値を対数化する。
またさらに、音声区間検出プログラムは、差分生成手段によって、前記対数変換手段によって対数化されたそれぞれの前記パワー積算値の差分を生成する。
そして、音声区間検出プログラムは、平滑化処理手段によって、前記差分生成手段によって生成された前記差分の時間的変化を平滑化する。
そして、音声区間検出プログラムは、閾値判定手段によって、前記平滑化処理手段によって平滑化された値と、予め設定された閾値とを比較して前記電話音声区間か否かを判定する。
【発明の効果】
【００２７】
本発明によれば、放送音声データ中に含まれる電話音声区間を自動で検出することが可能となる。
【図面の簡単な説明】
【００２８】
【図１】本発明の第１の実施形態に係る音声区間検出装置の構成を示すブロック図である。
【図２】本発明の第１の実施形態に係る音声区間検出装置の動作を示すフローチャートである。
【図３】本発明の第１の実施形態に係る音声区間検出装置において、平滑化処理手段としてＩＩＲフィルタを使用した場合の平滑化処理例を時間軸上で示した図である。
【図４】本発明の第１の実施形態に係る音声区間検出装置において、平滑化処理手段としてＦＩＲフィルタを使用した場合の平滑化処理例を時間軸上で示した図である。
【図５】本発明の第１の実施形態に係る音声区間検出装置において、検出閾値が２．０の場合の音声データ毎の電話音声区間検出率の一例を示した図である。
【図６】本発明の第１の実施形態に係る音声区間検出装置において、検出閾値の違いによる電話音声区間検出率の変化を音声データ毎に示した図である。
【図７】本発明の第２の実施形態に係る音声区間検出装置の構成を示すブロック図である。
【図８】本発明の第２の実施形態に係る音声区間検出装置の動作を示すフローチャートである。
【図９】放送音声中に混在する電話音声区間の一例を示した図である。
【発明を実施するための形態】
【００２９】
以下、本発明の実施の形態について、詳細に説明する。
【００３０】
［第１の実施形態］
図１〜図６を参照しながら第１の実施形態に係る電話音声区間検出装置１Ａについて説明する。
図１に示されるように、第１の実施形態に係る電話音声区間検出装置１Ａは、入力音声切出し手段１１Ａと、パワー積算手段１２Ａと、対数変換手段１３と、差分生成手段１４と、平滑化処理手段１５と、閾値判定手段１６と、閾値記憶手段１７と、を含む構成とした。
【００３１】
入力音声切出し手段１１Ａは、外部から放送音声データが入力されると、この入力された放送音声から予め定められた時間間隔で分析フレーム毎に音声波形を切り出すものである。ここで入力される放送音声データは、標本化周波数４８ｋＨｚ、量子化１６ビットでＡＤ（Analog-Digital）変換されたデジタル信号とする。入力音声切出し手段１１Ａは、放送音声データから、例えば、窓幅５０ｍｓ、シフト幅５ｍｓのフレームで音声波形を切り出す。以下では、ｍフレーム、ｎサンプルのデータをｘ（ｍ，ｎ）で表す。但し、０≦ｎ＜Ｎであり、Ｎは窓幅５０ｍｓ相当のサンプル数とする。例えば、所定の窓幅とシフト幅のフレームで音声波形を切り出す。切り出された音声波形は、パワー積算手段１２Ａへ出力される。
【００３２】
パワー積算手段１２Ａは、入力音声切出し手段１１Ａによって切り出された音声波形に含まれる電話音声周波数帯域のパワー積算値と、当該電話音声周波数帯域外の帯域のパワー積算値とを算出するものであり、ここでは、帯域分割手段１２Ａａと、パワー積算値演算手段１２Ａｂとを備えることとした。
帯域分割手段１２Ａａは、入力音声切出し手段１１Ａにより切り出されたフレーム毎の音声波形を、低域、中域、高域の３つの帯域に分割するものである。例えば、中域を電話音声周波数帯域である３００〜３５００Ｈｚとし、低域を３００Ｈｚより小さい帯域とし、高域を３５００Ｈｚより大きい帯域とする。帯域分割手段１２Ａａは、ＩＩＲフィルタまたはＦＩＲフィルタにより、音声波形をそれぞれの帯域に分割する。ここでは、低域の音声波形をｘＬ（ｍ，ｎ）とし、中域の音声波形をｘＭ（ｍ，ｎ）とし、高域の音声波形をｘＨ（ｍ，ｎ）とする。帯域毎の音声波形は、パワー積算値演算手段１２Ａｂへ出力される。
【００３３】
パワー積算値演算手段１２Ａｂは、帯域分割手段１２Ａａで分割された音声波形の帯域毎に音声波形のパワー積算値（振幅の自乗値）を演算するものである。すなわち、パワー積算値演算手段１２Ａｂは、分割された帯域の音声波形において、音声波形の振幅の自乗値を、所定の窓幅とシフト幅のフレーム分積算する。
パワー積算値演算手段１２Ａｂは、例えば式（１）によって低域のパワー積算値ＰＬ（ｍ）と、中域のパワー積算値ＰＭ（ｍ）と、高域のパワー積算値ＰＨ（ｍ）とを算出する。
【００３４】
【数１】
【００３５】
さらに、パワー積算値演算手段１２Ａｂは、低域のパワー積算値ＰＬ（ｍ）と、高域のパワー積算値ＰＨ（ｍ）とを加算し、パワー積算加算値ＰＬ＋Ｈ（ｍ）＝ＰＬ（ｍ）＋ＰＨ（ｍ）を算出する。このようにして算出されたパワー積算加算値ＰＬ＋Ｈ（ｍ）と、中域のパワー積算値ＰＭ（ｍ）は、対数変換手段１３へ出力される。
【００３６】
対数変換手段１３は、パワー積算値演算手段１２Ａｂにより算出されたパワー積算加算値ＰＬ＋Ｈ（ｍ）と、中域のパワー積算値ＰＭ（ｍ）とをそれぞれ対数化するものである。パワー積算加算値ＰＬ＋Ｈ（ｍ）と、中域のパワー積算値ＰＭ（ｍ）とを対数化することで、桁数を揃えることができるので、対比をしやすくなる。ここでは、パワー積算加算値ＰＬ＋Ｈ（ｍ）を対数化した値を、ｌｏｇ（ＰＬ＋Ｈ（ｍ））とし、中域のパワー積算値ＰＭ（ｍ）を対数化した値をｌｏｇ（ＰＭ（ｍ））とする。
このようにして対数化後のパワー積算加算値ｌｏｇ（ＰＬ＋Ｈ（ｍ））と、対数化後の中域のパワー積算値ｌｏｇ（ＰＭ（ｍ））は、差分生成手段１４へ出力される。
【００３７】
差分生成手段１４は、対数変換手段１３により対数化された対数化後の中域のパワー積算値ｌｏｇ（ＰＭ（ｍ））と、対数化後のパワー積算加算値ｌｏｇ（ＰＬ＋Ｈ（ｍ））との差分演算を行い、差分値Ｄ（ｍ）＝ｌｏｇ（ＰＬ＋Ｈ（ｍ））−ｌｏｇ（ＰＭ（ｍ））を生成するものである。生成された差分値Ｄ（ｍ）は、平滑化処理手段１５へ出力される。
【００３８】
平滑化処理手段１５は、差分生成手段１４より出力される差分値を平滑化するものである。平滑化処理手段１５は、例えば、ＩＩＲ（Infinite Impulse Response）フィルタまたはＦＩＲ（Finite Impulse Response）フィルタ等のデジタルフィルタにより差分値を平滑化する。
平滑化処理手段１５は、例えば、以下に示す式（２）で示す一次のＩＩＲフィルタで差分値を平滑化する。
【００３９】
【数２】
ここでα＝０．９９とする。図３は、ＩＩＲフィルタを使用した場合における差分値の平滑化処理例を時間軸上に表したグラフである。図３に示すように、差分値Ｄ（ｍ）を平滑化した値Ｄｓｍｚ（ｍ）は、入力される放送音声データに対するパワー積算値の対数値の０近辺に分布している。
【００４０】
一方、オフライン処理を行う場合は、平滑化処理手段１５は、例えば、標本化周波数を１．０としたとき、カットオフ周波数が０．００５のＦＩＲ型のローパスフィルタで平滑化する。
図４は、ＦＩＲフィルタを使用した場合における差分値の平滑化処理例を時間軸上に表したグラフである。図４に示すように、差分値Ｄ（ｍ）を平滑化した値Ｄｓｍｚ（ｍ）は、入力される放送音声データに対するパワー積算値の対数値の０近辺に分布している。
このようにして平滑化された差分値Ｄｓｍｚ（ｍ）は、閾値判定手段１６へ出力される。
【００４１】
閾値判定手段１６は、平滑化処理手段１５により平滑化された差分値と、閾値記憶手段１７に記憶された最適化された閾値とを比較し、入力音声切出し手段１１Ａで切り出された分析フレーム毎に電話音声区間を判定するものである。最適化された閾値の決定方法については後述する。
【００４２】
以下、図２のフローチャートを参照しながら、図１に示した本発明の第１の実施形態に係る電話音声区間検出装置１Ａの動作について詳細に説明する。
【００４３】
電話音声区間検出装置１Ａは、入力音声切出し手段１１Ａによって、入力された放送音声データを、予め定めた時間間隔で分析フレーム毎に切り出す（ステップＳ２０１）。電話音声区間検出装置１Ａは、入力音声切出し手段１１Ａによって、フレーム毎に切り出した音声波形をパワー積算手段１２Ａに出力する。
【００４４】
電話音声区間検出装置１Ａは、パワー積算手段１２Ａの帯域分割手段１２Ａａによって、入力音声切出し手段１１Ａによりフレーム毎に切り出された音声波形を、低域の音声波形ｘＬ（ｍ，ｎ）と、中域の音声波形ｘＭ（ｍ，ｎ）と、高域の音声波形ｘＨ（ｍ，ｎ）とに分割する（ステップＳ２０２）。
そして、電話音声区間検出装置１Ａは、帯域分割手段１２Ａａによって、低域の音声波形ｘＬ（ｍ，ｎ）と、中域の音声波形ｘＭ（ｍ，ｎ）と、高域の音声波形ｘＨ（ｍ，ｎ）とを、パワー積算値演算手段１２Ａｂに出力する。
【００４５】
電話音声区間検出装置１Ａは、パワー積算手段１２Ａのパワー積算値演算手段１２Ａｂによって、帯域分割手段１２Ａａにより帯域毎に分割されたフレーム毎の音声波形のパワー積算値を前記式（１）により演算し、低域のパワー積算値ＰＬ（ｍ）と、中域のパワー積算値をＰＭ（ｍ）と、高域のパワー積算値をＰＨ（ｍ）とを得る（ステップＳ２０３〜Ｓ２０５）。
【００４６】
さらに、電話音声区間検出装置１Ａは、パワー積算値演算手段１２Ａｂによって、ステップＳ２０４で演算した低域のパワー積算値ＰＬ（ｍ）と、ステップＳ２０６で演算した高域のパワー積算値ＰＨ（ｍ）とを加算し、パワー積算加算値ＰＬ＋Ｈ（ｍ）を算出する（ステップＳ２０６）。そして、電話音声区間検出装置１Ａは、パワー積算値演算手段１２Ａｂによって、得られたパワー積算加算値ＰＬ＋Ｈ（ｍ）と中域のパワー積算値ＰＭ（ｍ）とを、対数変換手段１３へ出力する。
【００４７】
電話音声区間検出装置１Ａは、対数変換手段１３によって、パワー積算手段１２Ａのパワー積算値演算手段１２Ａｂにより算出されたパワー積算加算値ＰＬ＋Ｈ（ｍ）を対数化して対数化後のパワー積算加算値ｌｏｇ（ＰＬ＋Ｈ（ｍ））を得る（ステップＳ２０７）。また、電話音声区間検出装置１Ａは、対数変換手段１３によって、パワー積算手段１２Ａのパワー積算値演算手段１２Ａｂにより算出された中域のパワー積算値ＰＭ（ｍ）を対数化して、対数化後の中域のパワー積算値ｌｏｇ（ＰＭ（ｍ））を得る（ステップＳ２０８）。
そして、電話音声区間検出装置１Ａは、対数変換手段１３によって、得られた対数化後のパワー積算加算値ｌｏｇ（ＰＬ＋Ｈ（ｍ））と、対数化後の中域のパワー積算値ｌｏｇ（ＰＭ（ｍ））を差分生成手段１４に出力する。
【００４８】
電話音声区間検出装置１Ａは、差分生成手段１４によって、対数変換手段１３から入力された対数化後のパワー積算加算値ｌｏｇ（ＰＬ＋Ｈ（ｍ））と、対数化後の中域のパワー積算値ｌｏｇ（ＰＭ（ｍ））との差分演算を行い、差分値Ｄ（ｍ）を得る（ステップＳ２０９）。そして、電話音声区間検出装置１Ａは、差分生成手段１４によって、得られた差分値Ｄ（ｍ）を平滑化処理手段１５に出力する。
【００４９】
電話音声区間検出装置１Ａは、平滑化処理手段１５によって、差分生成手段１４により得られた差分値Ｄ（ｍ）を平滑化し、差分値Ｄ（ｍ）を平滑化した値Ｄｓｍｚ（ｍ）を生成する（ステップＳ２１０）。そして、電話音声区間検出装置１Ａは、平滑化処理手段１５によって、差分値Ｄ（ｍ）を平滑化した値Ｄｓｍｚ（ｍ）を閾値判定手段１６に出力する。
【００５０】
電話音声区間検出装置１Ａは、閾値判定手段１６によって、平滑化処理手段１５から入力された差分値Ｄ（ｍ）を平滑化した値Ｄｓｍｚ（ｍ）を、閾値記憶手段１７に記憶された予め適切に設定した閾値ＤＴＨと比較判定する（ステップＳ２１１）。そして、電話音声区間検出装置１Ａは、閾値判定手段１６によって、差分値Ｄ（ｍ）を平滑化した値Ｄｓｍｚ（ｍ）が、閾値ＤＴＨ未満と判定した場合には（ステップＳ２１１“＜”）、この分析フレームを電話音声区間と判定する（ステップＳ２１２）。
以上の動作によって、電話音声区間検出装置１Ａは、電話音声区間を自動で検出することができる。
【００５１】
［閾値設定方法］
ここで、電話音声区間検出装置１Ａの閾値判定手段１６によって、最適な閾値ＤＴＨを設定する方法について説明する。
図５に、閾値ＤＴＨを２．０としたときの音声データ毎の再現率ＲＲと、適合率ＲＰ、および、検出率Ｆの例を示す。検出率Ｆは、閾値ＤＴＨにより、電話音声区間を正しく判定できたか否かを評価する指標である。なお、閾値ＤＴＨは、入力される各放送音声データに対し、各分析フレームが、電話音声区間か、電話音声区間以外かを事前に人手により判定したものを正解とし、以下に説明する方法で設定している。
検出率Ｆは、以下に示す式（３）に示されるように、再現率ＲＲと、適合率ＲＰから求められる。
【００５２】
【数３】
【００５３】
つまり、再現率ＲＲと適合率ＲＰとをこのように定義したときに、一例として、検出率Ｆは式（３）により求められる。
【００５４】
また、図６に、入力される放送音声データ毎の閾値ＤＴＨの違いによる検出率Ｆの変化例を示す。図６に示す例によれば、閾値ＤＴＨが２．０のときに、音声データによらずに比較的高い性能を示す最適値となる。
【００５５】
すなわち、閾値判定手段１６は、放送音声データを構成するフレームのそれぞれが電話音声区間か電話音声区間外かについて予め人手により判定したデータ（学習データ）に基づき、自身による電話音声区間の判定が人手による電話音声区間判定に合致したフレーム数と、人手により合致したと判定したフレーム数との割合を示す再現率ＲＲと、人手による判定が電話音声区間判定に合致したフレーム数と、自身による電話音声区間判定フレーム数との割合を示す適合率ＲＰとを算出し、ここで算出された再現率ＲＲと適合率ＲＰを式（３）に代入して求めた検出率Ｆに基づき最適な閾値ＤＴＨを設定する。
【００５６】
上述した第１の実施形態によれば、電話音声区間検出装置１Ａは、入力される放送音声データに対してフレーム毎に音声波形を切り出し、低域、中域、高域に帯域分割して、電話音声周波数帯域（中域）のパワー積算値と、電話音声周波数帯域外（低域と高域）の帯域のパワー積算値（パワー積算加算値）の対数をとった差分を平滑化した値について、閾値と比較判定することで、放送音声中の電話音声区間を自動的に検出することができる。また、閾値を決定するにあたり、事前に与えられた学習データセットによって得られた最適値を用いることで、電話音声区間のより正確な検出が可能になる。
【００５７】
［第２の実施形態］
次に、図７を参照しながら本発明の第２の実施形態に係る電話音声区間検出装置１Ｂについて説明する。
以下に説明する本発明の第２の実施形態に係る電話音声区間検出装置１Ｂにおいて、本発明の第１の実施形態に係る電話音声区間検出装置１Ａとの差異は、入力音声切出し手段の構成およびパワー積算手段の構成を変更した点にある。以下の第２の実施形態に係る電話音声区間検出装置１Ｂの説明において、第１の実施形態に係る電話音声区間検出装置１Ａと共通する構成については同一の符号を付し重複する説明を省略する。
【００５８】
電話音声区間検出装置１Ｂは、入力音声切出し手段１１Ｂと、パワー積算手段１２Ｂと、対数変換手段１３と、差分生成手段１４と、平滑化処理手段１５と、閾値判定手段１６と、閾値記憶手段１７と、を備える構成とした。
【００５９】
入力音声切出し手段１１Ｂは、音声波形切出し手段１１Ｂａと、窓関数乗算手段１１Ｂｂとを備える。
音声波形切出し手段１１Ｂａは、外部から放送音声データが入力されると、この入力された放送音声から予め定められた時間間隔で分析フレーム毎に音声波形を切り出すものである。切り出された音声波形は、窓関数乗算手段１１Ｂｂに出力される。
【００６０】
窓関数乗算手段１１Ｂｂは、音声波形切出し手段１１Ｂａによって切り出された音声波形に窓関数を乗算するものである。窓関数を乗じるのは、次に述べるＦＦＴ演算手段１２Ｂａによって周波数特性を求める際に、切り出し区間の始めと終わりの部分が不連続となることによりスペクトル特性に与える影響を極力少なくするためである。窓関数が乗算された音声波形は、パワー積算手段１２Ｂに出力される。
【００６１】
パワー積算手段１２Ｂは、ＦＦＴ（Fast Fourier Transform）演算手段１２Ｂａ（周波数特性演算手段）と、スペクトル算出手段１２Ｂｂと、パワー積算値演算手段１２Ｂｃを備えたことにある。
【００６２】
ＦＦＴ演算手段１２Ｂａは、入力音声切出し手段１１Ｂによってフレーム毎に切り出された放送音声データ中にどの周波数成分がどれくらい含まれているかを示す周波数特性Ｘ（ｍ，ｋ）＝ＦＦＴ（ｘ（ｍ，ｎ））をフーリエ変換により抽出するものである。但し、ここでは、０≦ｋ＜Ｋとし、Ｋは、窓幅５０ｍｓ相当のサンプル数を超える最小の２の累乗数であり、たとえば、標本化周波数４８ｋＨｚでは４０９６ポイントになる。演算された周波数特性は、スペクトル算出手段１２Ｂｂへ出力される。
【００６３】
スペクトル算出手段１２Ｂｂは、ＦＦＴ演算手段１２Ｂａにより演算された周波数特性から、周波数振幅特性を算出するものである。スペクトル算出手段１２Ｂｂは、ＦＦＴ演算手段１２Ｂａにより演算された周波数特性から、スペクトルＳＸ（ｍ，ｋ）＝｜Ｘ（ｍ，ｋ）｜を演算する。
なお、周波数振幅で表現可能な音声特徴量であれば特に限定されるものではなく、例えば、振幅スペクトル、ＬＰＣ（線形予測符号：Linear Predictive Coding）によるスペクトル包絡、ＬＰＣケプストラムによるスペクトル包絡、または、ＦＦＴケプストラムによるスペクトル包絡に類するものを用いることができる。
【００６４】
パワー積算値演算手段１２Ｂｃは、スペクトル算出手段１２Ｂｂによって算出されたスペクトルＳＸ（ｍ，ｋ）に基づき、帯域毎のパワー積算値（振幅スペクトルの自乗和）を演算するものである。
パワー積算値演算手段１２Ｂｃは、例えば式（４）によって低域のパワー積算値ＰＬ（ｍ）と、中域のパワー積算値ＰＭ（ｍ）と、高域のパワー積算値ＰＨ（ｍ）とを演算する。
【００６５】
【数４】
【００６６】
ここで、例えば標本化周波数４８ｋＨｚにおけるフーリエ変換のポイント数Ｋを４０９６ポイントとしたとき、ＫＬを３００Ｈｚ相当の２５とし、ＫＭを３５００Ｈｚ相当の２９８とし、ＫＨを標本化周波数の半分に相当する２４ｋＨｚ相当の２０４８とする。
さらに、パワー積算値演算手段１２Ｂｃは、低域のパワー積算値ＰＬ（ｍ）と、高域のパワー積算値ＰＨ（ｍ）とを加算し、パワー積算加算値ＰＬ＋Ｈ（ｍ）＝ＰＬ（ｍ）＋ＰＨ（ｍ）を算出する。このようにして算出されたパワー積算加算値ＰＬ＋Ｈ（ｍ）と、中域のパワー積算値ＰＭ（ｍ）は、対数変換手段１３へ出力される。
【００６７】
以下、図８のフローチャートを参照しながら、図７に示した本発明の第２の実施形態に係る電話音声区間検出装置１Ｂの動作について、第１の実施形態に係る電話音声区間検出装置１Ａの動作と異なる点を主に説明する。
【００６８】
まず、電話音声区間検出装置１Ｂは、入力音声切出し手段１１Ｂによって、放送音声データが入力される。ここで入力される放送音声データは、標本化周波数４８ｋＨｚ、量子化１６ビットでＡＤ（Analog-Digital）変換されたデジタル信号とする。電話音声区間検出装置１Ｂは、入力音声切出し手段１１Ｂの音声波形切出し手段１１Ｂａによって、入力された放送音声データを、予め定めた時間間隔で分析フレーム毎に切り出し、窓関数乗算手段１１Ｂｂに出力する（ステップＳ８０１）。
次に、電話音声区間検出装置１Ｂは、入力音声切出し手段１１Ｂの窓関数乗算手段１Ｂｂによって、音声波形切出し手段１１Ｂａによって切り出された音声波形に、窓関数を乗算し、パワー積算手段１２Ｂに出力する（ステップＳ８０２）。
【００６９】
続いて、電話音声区間検出装置１Ｂは、パワー積算手段１２ＢのＦＦＴ演算手段１２Ｂａによって、音声波形切出し手段１１Ｂａによりフレーム毎に切り出され、窓関数乗算手段１１Ｂｂによって窓関数が乗算された音声波形をフーリエ変換することで、周波数特性を求める（ステップＳ８０３）。電話音声区間検出装置１Ｂは、ＦＦＴ演算手段１２Ｂａによって、演算した周波数特性を、スペクトル算出手段１２Ｂｂに出力する。
【００７０】
次に、電話音声区間検出装置１Ｂは、パワー積算手段１２Ｂのスペクトル算出手段１２Ｂｂによって、ＦＦＴ演算手段１２Ｂａにより演算された周波数特性からスペクトルＳＸ（ｍ，ｋ）を算出する（ステップＳ８０４）。
そして、電話音声区間検出装置１Ｂは、パワー積算値演算手段１２Ｂｃによって、スペクトル算出手段１２Ｂｂにより算出されたスペクトルＳＸ（ｍ，ｋ）に基づいて、帯域毎のパワー積算値をそれぞれ演算する（ステップＳ８０５〜Ｓ８０７）。すなわち、パワー積算値演算手段１２Ｂｃによって、低域のパワー積算値ＰＬ（ｍ）と、中域のパワー積算値ＰＭ（ｍ）と、高域のパワー積算値ＰＨ（ｍ）とを演算する。
【００７１】
さらに、電話音声区間検出装置１Ｂは、パワー積算値演算手段１２Ｂｃによって、ステップＳ８０５で演算した低域のパワー積算値ＰＬ（ｍ）と、ステップＳ８０７で演算した高域のパワー積算値ＰＨ（ｍ）とを加算し、パワー積算加算値ＰＬ＋Ｈ（ｍ）を算出する（ステップＳ８０８）。そして、電話音声区間検出装置１Ｂは、パワー積算値演算手段１２Ｂｃによって、得られたパワー積算加算値ＰＬ＋Ｈ（ｍ）と中域のパワー積算値ＰＭ（ｍ）とを、対数変換手段１３に出力する。
【００７２】
以降の動作は、第１の実施形態と同様であり、電話音声周波数帯域のパワー積算値と電話音声周波数帯域以外の帯域のパワー積算値の対数変換を行い、その差の時間変化を平滑化した値について閾値判定する。なお、第２の実施形態においても、第１の実施形態と同様、閾値を決定するにあたり、事前に与えられた学習データセットによって得られた最適値を用いることとする。
すなわち、ステップＳ８０９は、図２のステップＳ２０７に、ステップＳ８１０は、図２のステップＳ２０８に、ステップＳ８１１は、図２のステップＳ２０９に、ステップＳ８１２は、図２のステップＳ２１０に、ステップＳ８１３は、図２のステップＳ２１１に、ステップＳ８１４は、図２のステップＳ２１２に、それぞれ相当する。
【００７３】
上述した第２の実施形態によれば、電話音声区間検出装置１Ｂは、入力される放送音声データに対してフレーム毎に音声波形を切り出し、切り出した音声波形の周波数特性を算出し、さらに、音声波形の周波数特性のスペクトルを算出し、電話音声周波数帯域（中域）と、電話音声周波数帯域以外の音声帯域（低域と高域）のスペクトルのパワーの積算値をそれぞれ算出し、電話音声周波数帯域のパワー積算値と、それ以外の音声帯域のパワー積算値（パワー積算加算値）の対数をとった差分を平滑化した値について閾値判定することで、放送音声中の電話音声区間を自動的に検出することができる。
【符号の説明】
【００７４】
１Ａ、１Ｂ 電話音声区間検出装置
１１Ａ 入力音声切出し手段
１１Ｂ 入力音声切出し手段
１１Ｂａ 音声波形切出し手段
１１Ｂｂ 窓関数乗算手段
１２Ａ パワー積算手段
１２Ａａ 帯域分割手段
１２Ａｂ パワー積算値演算手段
１２Ｂ パワー積算手段
１２Ｂａ ＦＦＴ演算手段（周波数特性演算手段）
１２Ｂｂ スペクトル算出手段
１２Ｂｃ パワー積算値演算手段
１３ 対数変換手段
１４ 差分生成手段
１５ 平滑化処理手段
１６ 閾値判定手段
１７ 閾値記憶手段
【特許請求の範囲】
【請求項１】
入力された放送音声データから電話音声区間を検出する電話音声区間検出装置であって、
前記放送音声データから予め定められた時間間隔でフレーム毎に音声波形を切り出す入力音声切出し手段と、
前記入力音声切出し手段によって切り出された前記音声波形に含まれる電話音声周波数帯域のパワー積算値と、当該電話音声周波数帯域外の帯域のパワー積算値とを演算するパワー積算手段と、
前記パワー積算手段によって算出されたそれぞれの前記パワー積算値を対数化する対数変換手段と、
前記対数変換手段によって対数化されたそれぞれの前記パワー積算値の差分を生成する差分生成手段と、
前記差分生成手段によって生成された前記差分の時間的変化を平滑化する平滑化処理手段と、
前記平滑化処理手段によって平滑化された値と、予め設定された閾値とを比較して前記電話音声区間か否かを判定する閾値判定手段と、を備えたことを特徴とする電話音声区間検出装置。
【請求項２】
前記パワー積算手段は、
前記入力音声切出し手段によって切り出された前記音声波形を、前記電話音声周波数帯域と、当該電話音声周波数帯域外の帯域とに帯域分割する帯域分割手段と、
前記帯域分割手段によって分割された前記電話音声周波数帯域のパワー積算値と、前記電話音声周波数帯域外の帯域のパワー積算値とを演算するパワー積算値演算手段と、を備えることを特徴とする請求項１に記載の電話音声区間検出装置。
【請求項３】
前記パワー積算手段は、
前記入力音声切出し手段によって切り出された前記音声波形の周波数特性を算出する周波数特性演算手段と、
前記周波数特性演算手段によって算出された前記周波数特性に基づいて前記電話音声周波数帯域のスペクトルと、前記電話音声周波数帯域外のスペクトルとを算出するスペクトル算出手段と、
前記スペクトル算出手段によって算出された前記電話音声周波数帯域の前記スペクトルのパワー積算値と、前記電話音声周波数帯域外の前記スペクトルのパワー積算値とを演算するパワー積算値演算手段と、を備えることを特徴とする請求項１に記載の電話音声区間検出装置。
【請求項４】
前記周波数特性演算手段が、
前記音声波形の振幅スペクトル、線形予測符号によるスペクトル包絡、線形予測符号によるケプストラム包絡、フーリエ解析ケプストラム包絡の少なくとも一つの音声解析を実行して前記周波数特性を算出することを特徴とする請求項３に記載の電話音声区間検出装置。
【請求項５】
前記平滑化処理手段は、
ＩＩＲによる低域フィルタ、またはＦＩＲによる低域フィルタとすることを特徴とする請求項１から請求項４のいずれか一項に記載の電話音声区間検出装置。
【請求項６】
入力された放送音声から電話音声区間を検出するために、
コンピュータを、
前記放送音声データから予め定められた時間間隔でフレーム毎に音声波形を切り出す入力音声切出し手段、
前記入力音声切出し手段によって切り出された前記音声波形に含まれる電話音声周波数帯域のパワー積算値と、当該電話音声周波数帯域外の帯域のパワー積算値とを演算するパワー積算手段、
前記パワー積算手段によって算出されたそれぞれの前記パワー積算値を対数化する対数変換手段、
前記対数変換手段によって対数化されたそれぞれの前記パワー積算値の差分を生成する差分生成手段、
前記差分生成手段によって生成された前記差分の時間的変化を平滑化する平滑化処理手段、
前記平滑化処理手段によって平滑化された値と、予め設定された閾値とを比較して前記電話音声区間か否かを判定する閾値判定手段、として機能させるための電話音声区間検出プログラム。
【請求項１】
入力された放送音声データから電話音声区間を検出する電話音声区間検出装置であって、
前記放送音声データから予め定められた時間間隔でフレーム毎に音声波形を切り出す入力音声切出し手段と、
前記入力音声切出し手段によって切り出された前記音声波形に含まれる電話音声周波数帯域のパワー積算値と、当該電話音声周波数帯域外の帯域のパワー積算値とを演算するパワー積算手段と、
前記パワー積算手段によって算出されたそれぞれの前記パワー積算値を対数化する対数変換手段と、
前記対数変換手段によって対数化されたそれぞれの前記パワー積算値の差分を生成する差分生成手段と、
前記差分生成手段によって生成された前記差分の時間的変化を平滑化する平滑化処理手段と、
前記平滑化処理手段によって平滑化された値と、予め設定された閾値とを比較して前記電話音声区間か否かを判定する閾値判定手段と、を備えたことを特徴とする電話音声区間検出装置。
【請求項２】
前記パワー積算手段は、
前記入力音声切出し手段によって切り出された前記音声波形を、前記電話音声周波数帯域と、当該電話音声周波数帯域外の帯域とに帯域分割する帯域分割手段と、
前記帯域分割手段によって分割された前記電話音声周波数帯域のパワー積算値と、前記電話音声周波数帯域外の帯域のパワー積算値とを演算するパワー積算値演算手段と、を備えることを特徴とする請求項１に記載の電話音声区間検出装置。
【請求項３】
前記パワー積算手段は、
前記入力音声切出し手段によって切り出された前記音声波形の周波数特性を算出する周波数特性演算手段と、
前記周波数特性演算手段によって算出された前記周波数特性に基づいて前記電話音声周波数帯域のスペクトルと、前記電話音声周波数帯域外のスペクトルとを算出するスペクトル算出手段と、
前記スペクトル算出手段によって算出された前記電話音声周波数帯域の前記スペクトルのパワー積算値と、前記電話音声周波数帯域外の前記スペクトルのパワー積算値とを演算するパワー積算値演算手段と、を備えることを特徴とする請求項１に記載の電話音声区間検出装置。
【請求項４】
前記周波数特性演算手段が、
前記音声波形の振幅スペクトル、線形予測符号によるスペクトル包絡、線形予測符号によるケプストラム包絡、フーリエ解析ケプストラム包絡の少なくとも一つの音声解析を実行して前記周波数特性を算出することを特徴とする請求項３に記載の電話音声区間検出装置。
【請求項５】
前記平滑化処理手段は、
ＩＩＲによる低域フィルタ、またはＦＩＲによる低域フィルタとすることを特徴とする請求項１から請求項４のいずれか一項に記載の電話音声区間検出装置。
【請求項６】
入力された放送音声から電話音声区間を検出するために、
コンピュータを、
前記放送音声データから予め定められた時間間隔でフレーム毎に音声波形を切り出す入力音声切出し手段、
前記入力音声切出し手段によって切り出された前記音声波形に含まれる電話音声周波数帯域のパワー積算値と、当該電話音声周波数帯域外の帯域のパワー積算値とを演算するパワー積算手段、
前記パワー積算手段によって算出されたそれぞれの前記パワー積算値を対数化する対数変換手段、
前記対数変換手段によって対数化されたそれぞれの前記パワー積算値の差分を生成する差分生成手段、
前記差分生成手段によって生成された前記差分の時間的変化を平滑化する平滑化処理手段、
前記平滑化処理手段によって平滑化された値と、予め設定された閾値とを比較して前記電話音声区間か否かを判定する閾値判定手段、として機能させるための電話音声区間検出プログラム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【公開番号】特開２０１０−２７７０２３（Ｐ２０１０−２７７０２３Ａ）
【公開日】平成２２年１２月９日（２０１０．１２．９）
【国際特許分類】
【出願番号】特願２００９−１３１９２５（Ｐ２００９−１３１９２５）
【出願日】平成２１年６月１日（２００９．６．１）
【出願人】（０００００４３５２）日本放送協会 (2,206)
【出願人】（５９１０５３９２６）財団法人エヌエイチケイエンジニアリングサービス (169)
【公開日】平成２２年１２月９日（２０１０．１２．９）
【国際特許分類】
【出願日】平成２１年６月１日（２００９．６．１）
【出願人】（０００００４３５２）日本放送協会 (2,206)
【出願人】（５９１０５３９２６）財団法人エヌエイチケイエンジニアリングサービス (169)
[ Back to top ]