音声比較装置及び音声比較プログラム
【課題】異なる変調方式で変調した場合の復調信号である２つの音声信号の素材の同一性を適切に判定することができる音声比較装置等を提供する。
【解決手段】第１の音声信号と第２の音声信号とを時間差に従って同期させる同期手段１０１と、所定の時間幅の窓関数を乗じて当該時間幅に対応するフレームを取得するフレーム取得手段１０２ａ，１０２ｂと、フーリエ変換により周波数領域に変換する周波数変換手段１０３ａ，１０３ｂと、正規化処理を行う正規化手段１０４ａ，１０４ｂと、２つの音声信号の距離を算出する距離算出手段１０５と、距離算出手段１０５の算出値である距離の値と所定の基準値とを比較して、その結果を出力する比較手段１０６と、を備える。
【解決手段】第１の音声信号と第２の音声信号とを時間差に従って同期させる同期手段１０１と、所定の時間幅の窓関数を乗じて当該時間幅に対応するフレームを取得するフレーム取得手段１０２ａ，１０２ｂと、フーリエ変換により周波数領域に変換する周波数変換手段１０３ａ，１０３ｂと、正規化処理を行う正規化手段１０４ａ，１０４ｂと、２つの音声信号の距離を算出する距離算出手段１０５と、距離算出手段１０５の算出値である距離の値と所定の基準値とを比較して、その結果を出力する比較手段１０６と、を備える。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、２つの音声信号を比較して同一素材であるか否かを判定する、音声比較装置及び音声比較プログラムに関する。
【背景技術】
【０００２】
放送局においては、放送を安定して送出するために様々な監視装置が用いられている。放送局では、例えば、「電波の停波」、「音声無変調」、「ネット局からの回線の切断」、「逆相」などの異常がないかを監視することにより、放送の安定性を担保している。しかしながら、同一の放送内容（同一の素材）を様々な変調方式により変調して送出した場合に、各放送信号が誤りなく送出されているか否かは、受信機が受信した放送信号を人間が実際に視聴することにより行われていた。
【０００３】
特許文献１には、同じ番組をアナログ放送とデジタル放送で同時に放送する「サイマル放送」について、各放送信号が誤りなく送出されているか否かを監視する手法が提案されている。
特許文献１には、監視担当者が、スピーカから出力されるアナログ放送の音声信号とデジタル放送の音声信号とのいずれか一方を聞きながら、放送信号監視装置が音声の不一致を通知するか否かを監視することにより、両方の音声信号が正常（同一内容）であるかを監視する技術について記載されている。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２００５−３４０９３５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に記載の技術では音声信号の比較を時間軸で行っているため、一方の音声信号に対する他方の音声信号の遅延時間の算出精度が、ノイズなどの影響により落ちてしまう可能性がある。また、異なる変調方式で変調すると音質が変わる場合があり、正しい検知結果を出力できなくなる可能性がある。
つまり、特許文献１に記載の技術では、同じ内容（同一素材）の音声信号であっても変調方式が異なる場合には音質が変わり、同一素材であるか否かを適切に判定できない場合がある。
【０００６】
そこで、本発明は、異なる変調方式で変調した場合の復調信号である２つの音声信号の素材の同一性を適切に判定することができる音声比較装置等を提供することを課題とする。
【課題を解決するための手段】
【０００７】
本発明は、前記目的を達成するために創案されたものであり、請求項１に係る音声比較装置は、異なる変調方式で変調した場合の復調信号である第１の音声信号と第２の音声信号とが同一素材であるか否かを判定する音声比較装置であって、同期手段と、フレーム取得手段と、周波数変換手段と、正規化手段と、距離算出手段と、比較手段と、を備える構成とした。
かかる構成において、音声比較装置は同期手段によって、第１の音声信号と第２の音声信号との相互相関関数が最大となる時間差を検出して、当該時間差に従って第１の音声信号と第２の音声信号とを同期させる。これによって、音声比較装置に第１の音声信号が到達する時刻と、音声比較装置に第２の音声信号が到達する時刻との間に時間差が生じた場合でも、同期手段によって同期させることができる。
そして、音声比較装置はフレーム取得手段によって、第１の音声信号及び第２の音声信号のそれぞれに対して所定の時間幅の窓関数を乗じて、当該時間幅に対応するフレームを取得する。これによって、音声比較装置は、窓関数を用いて音声信号の波形をその定常性が確認できる程度の短い時間に分割することができる。
【０００８】
そして、音声比較装置は周波数変換手段によって、フレーム取得手段により所定の時間幅に対応するフレームとして入力された第１の音声信号及び第２の音声信号のそれぞれを、フーリエ変換により周波数領域に変換する。これによって、音声比較装置は、フレーム取得手段によりフレームとして入力された第１の音声信号及び第２の音声信号を、時間領域から周波数領域に変換することができる。
そして、音声比較装置は正規化手段によって、周波数変換手段により周波数領域に変換して入力された第１の音声信号と第２の音声信号のそれぞれに対して正規化処理を行う。これによって、音声比較装置は、基準となる音声レベルが入力の時点でずれている場合でも各音声信号の波形を正規化することにより音声信号の大きさのばらつきをなくし、誤判定を防止することができる。
そして、音声比較装置は距離算出手段によって、正規化手段により正規化された第１の音声信号と第２の音声信号との距離を算出する。さらに、音声比較装置は比較手段によって、距離算出手段の算出値である距離の値が、所定の基準値以上であるか否かを判断して、その結果を出力する。これによって、音声比較装置は、第１の音声信号と第２の音声信号のそれぞれの周波数スペクトルの差分である距離の値が所定の基準値以上であるか否かによって、第１の音声信号と第２の音声信号とが同一素材であるか否かを適切に判断することができる。
【０００９】
また、請求項２に記載の音声比較装置は、請求項１に記載の音声比較装置において、さらに、スペクトル包絡手段を備える構成とした。かかる構成において音声比較装置は、スペクトル包絡変換手段によって、周波数変換手段により周波数領域に変換して入力された第１の音声信号及び第２の音声信号のそれぞれをスペクトル包絡に変換する。そして、正規化手段は、スペクトル包絡変換手段によりスペクトル包絡に変換して入力された第１の音声信号と第２の音声信号のそれぞれに対して、正規化処理を行う。
これによって、音声比較装置は、音声信号の特徴を判断する上で有効なスペクトル包絡を比較することで、検出精度の信頼性を高めることができる。
【００１０】
また、請求項３に記載の音声比較装置は、請求項２に記載の音声比較装置において、さらに、高域通過フィルタ手段を備える構成とした。かかる構成において音声比較装置は、高域通過フィルタ手段によって、スペクトル包絡変換手段によりスペクトル包絡に変換して入力された第１の音声信号と第２の音声信号のそれぞれについて、所定の周波数より低い周波数帯域の信号を除去することにより、当該所定の周波数以上の周波数帯域の信号を取り出す処理を行う。そして、正規化手段は、高域通過フィルタ手段により所定の周波数以上の周波数帯域の信号を取り出す処理をして入力された第１の音声信号及び第２の音声信号のそれぞれに対して正規化処理を行う。
これによって、音声比較装置は、高域通過フィルタ手段により第１の音声信号及び第２の音声信号に対して周波数の高い領域を強調する処理を行い、人間の聴覚特性により近い周波数特性に変換することができる。
【００１１】
また、請求項４に記載の音声比較装置は、請求項３に記載の音声比較装置において、さらに、メル尺度変換手段を備える構成とした。かかる構成において音声比較装置は、メル尺度変換手段によって、高域通過フィルタ手段により所定の周波数以上の周波数帯域の信号を取り出す処理をして入力された第１の音声信号と第２の音声信号のそれぞれに対して、メル尺度を用いて人間の聴覚感度特性に対応する周波数上の重み付けを行う。そして、正規化手段は、メル尺度変換手段により周波数上の重み付けをして入力された第１の音声信号及び第２の音声信号のそれぞれに対して、正規化処理を行う。
これによって、音声比較装置は、メル尺度変換手段により人間の聴覚特性に近い形で第１の音声信号及び第２の音声信号を抽出することができる。
【００１２】
また、請求項５に記載の音声比較装置は、請求項１から請求項４のいずれか一項に記載の音声比較装置において、距離算出手段は、所定のサンプル周波数における第１の音声信号と第２の音声信号との差の絶対値の二乗を算出し、さらに各サンプル周波数において算出された差の絶対値の二乗の和の平方根を距離として算出する。これによって、音声比較装置は、第１の音声信号と第２の音声信号とを周波数領域で比較して、その距離を算出することで、検出精度の信頼性を高めることができる。
【００１３】
また、請求項６に記載の音声比較装置は、請求項４又は請求項５に記載の音声比較装置において、メル尺度変換手段で用いられるメル尺度関数は、音声信号の周波数をｆとすると、Mel(f)=2595log10(1+f/700)で表されることとした。これによって、音声比較装置は、人間の聴覚特性に近い形で第１の音声信号及び第２の音声信号を抽出することができる。
【００１４】
また、請求項７に記載のプログラムは、異なる変調方式で変調した場合の復調信号である第１の音声信号と第２の音声信号とが同一素材であるか否かを判定するために、コンピュータを、同期手段、フレーム取得手段、周波数変換手段、正規化手段、距離算出手段、比較手段として機能させるためのものである。
かかる構成において、音声比較プログラムは、コンピュータを同期手段として機能させることによって、第１の音声信号と第２の音声信号との相互相関関数が最大となる時間差を検出して、当該時間差に従って第１の音声信号と第２の音声信号とを同期させる。
そして、音声比較プログラムは、コンピュータをフレーム取得手段として機能させるによって、同期手段により同期された第１の音声信号と第２の音声信号のそれぞれに対して所定の時間幅の窓関数を乗じて、当該時間幅に対応するフレームを取得する。
そして、音声比較プログラムは、コンピュータを周波数変換手段として機能させることによって、フレーム取得手段により所定の時間幅に対応するフレームとして入力された第１の音声信号及び第２の音声信号のそれぞれを、フーリエ変換により周波数領域に変換する。
【００１５】
そして、音声比較プログラムは、コンピュータを正規化手段として機能させることによって、周波数変換手段により周波数領域に変換して入力された第１の音声信号と第２の音声信号のそれぞれに対して正規化処理を行う。
そして、音声比較プログラムは、コンピュータを距離算出手段として機能させることによって、正規化手段により正規化された第１の音声信号と第２の音声信号との距離を算出する。
さらに、音声比較プログラムは、コンピュータを比較手段として機能させることによって、距離算出手段の算出値である距離の値が、所定の基準値以上であるか否かを判断して、その結果を出力する。
これによって、音声比較プログラムは、第１の音声信号と第２の音声信号との周波数領域における距離の値が所定の基準値以上であるか否かによって、第１の音声信号と第２の音声信号とが同一素材であるか否かを適切にコンピュータに判断させることができる。
【発明の効果】
【００１６】
本発明によれば、異なる変調方式で変調した場合の復調信号である２つの音声信号の素材の同一性を適切に判定することができる音声比較装置等を提供することができる。
【図面の簡単な説明】
【００１７】
【図１】本発明の第１実施形態に係る音声比較装置、インタフェース装置、表示装置の概略構成図である。
【図２】音声比較装置、インタフェース装置、表示装置のブロック構成図である。
【図３】音声比較装置が備える同期手段のブロック構成図である。
【図４】同期手段によって、第１の音声信号に対する第２の音声信号の相対的遅延時間を決定する処理についての説明図であり、（ａ）は第１の音声信号の波形を示し、（ｂ）は第２の音声信号の波形を示す。
【図５】音声比較装置の一連の処理の流れを示すフローチャートである。
【図６】本発明の第２実施形態に係る音声比較装置、インタフェース装置、表示装置のブロック構成図である。
【図７】音声比較装置の一連の処理の流れを示すフローチャートである。
【図８】本発明の第３実施形態に係る音声比較装置、インタフェース装置、表示装置のブロック構成図である。
【図９】音声比較装置の一連の処理の流れを示すフローチャートである。
【図１０】本発明の第１実施形態に係る音声比較装置を用いた場合と、本発明の第３実施形態に係る音声比較装置を用いた場合と、において１２ＳＥＧ放送と１ＳＥＧ放送を比較した実験データを示す図である。
【図１１】本発明の第１実施形態に係る音声比較装置を用いた場合と、本発明の第３実施形態に係る音声比較装置を用いた場合と、においてＡＭ放送とＦＭ放送を比較した実験データを示す図である。
【発明を実施するための形態】
【００１８】
本発明の実施形態について、適宜図面を参照しながら詳細に説明する。なお、各図において、共通する部分には同一の符号を付し、重複した説明を省略する。
【００１９】
≪第１実施形態≫
本実施形態に係る音声比較装置１は、異なる変調方式で変調された場合の復調信号である第１の音声信号と第２の音声信号が同一素材(同一内容)であるか否かを判定する装置である。第１の音声信号及び第２の音声信号は、例えば、所定の放送番組が放送局（図示せず）で互いに異なる変調方式（例えば、ＡＭ変調，ＦＭ変調）に従って変調され、放送局から電波として送信された各信号が受信機（図示せず）によって受信され、さらに復調された音声信号である。
【００２０】
音声比較装置１の各構成について説明する前に、音声比較装置１と接続される機器について説明する。
図１に示すように、インタフェース装置２は、音声比較装置１の入力側に接続されている。インタフェース装置２は、異なる変調方式で変調された場合の復調信号である第１の音声信号及び第２の音声信号を、所定のサンプリング周波数に従ってＡ／Ｄ変換する装置である。インタフェース装置２は、Ａ／Ｄ変換器２０１ａと、Ａ／Ｄ変換器２０１ｂとを備える。Ａ／Ｄ変換器２０１ａはアナログ信号として入力された第１の音声信号に対して所定のサンプリング周波数でデジタル信号に変換し、音声比較装置１に出力する。同様に、Ａ／Ｄ変換器２０１ｂは、アナログ信号として入力された第２の音声信号に対してＡ／Ｄ変換を行い、デジタル信号として音声比較装置１に出力する。
【００２１】
なお、第１の音声信号は、例えば、放送局において所定の放送信号が１セグメント放送（以下、１ＳＥＧ放送と称する。）に対応して変調して送信され、さらに当該信号が図示しない復調器で復調された音声信号である。また、第２の音声信号は、例えば、放送局において所定の放送信号が１２セグメント放送（以下、１２ＳＥＧと称する。）に対応して変調して送信され、さらに当該信号が図示しない復調器で復調された音声信号である。
ちなみに、地上デジタル放送では、１つのチャンネルが１３の周波数帯域（セグメント）に分割されており、このうち１セグメントの周波数帯域を利用して変調する場合が「１ＳＥＧ放送」であり、１２セグメントの周波数帯域を利用して変調する場合が「１２ＳＥＧ放送」である。
また、第１の音声信号及び第２の音声信号としては、上記で説明したように、１ＳＥＧ放送や１２ＳＥＧ放送を復調した音声信号に限らない。すなわち、異なる変調方式で変調された場合の復調信号であれば、音声比較装置１は、様々な変調方式及び復調方式に対応可能である。例えば、第１の音声信号をＡＭ（Amplitude Modulation）放送が復調された音声信号とし、第２の音声信号をＦＭ(Frequency Modulation)放送が復調された音声信号としてもよい。
【００２２】
図１に示すように、復調信号である第１の音声信号と第２の音声信号は、インタフェース装置２にリアルタイムで入力し、それぞれＡ／Ｄ変換されて音声比較装置１に出力される。
また、第１の音声信号及び第２の音声信号のうち、いずれか一方は他方に対して所定時間だけ遅れてインタフェース装置２に到達する。遅延の原因として、放送局から放送信号を送信する際のエンコード及び図示しない受信機で処理されるデコードに伴う遅延がある。例えば、一方の音声信号は、他方の音声信号に対して１．７ｓｅｃ程度遅れてインタフェース装置２に到達する。
【００２３】
表示装置３は、音声比較装置１の出力側に接続されている。表示装置３は、音声比較装置１が第１の音声信号と第２の音声信号とを比較した場合の判定結果を表示することにより、監視者に正常又は異常を知らせる。すなわち表示装置３は、音声比較装置１が第１の音声信号と第２の音声信号とが同一素材(同一内容)であると判定した場合には、「異常なし」に相当する表示をする。一方、表示装置３は、音声比較装置１が、第１の音声信号と第２の音声信号とが互いに異なる素材（同一の内容ではない）であると判定した場合には、「異常あり」に相当する表示をする。
【００２４】
次に、本実施形態に係る音声比較装置１について説明する。図２に示すように、音声比較装置１は、同期手段１０１と、フレーム取得手段１０２ａ，１０２ｂと、周波数変換手段１０３ａ，１０３ｂと、正規化手段１０４ａ，１０４ｂと、距離算出手段１０５と、比較手段１０６と、を備える。
同期手段１０１は、第１の音声信号と第２の音声信号のそれぞれに対して所定時間分の波形を切り出し、切り出した各波形について相互相関関数を求め、相互相関関数が最大となる場合の相対的遅延時間を求める。ここで相対的遅延時間とは、第１の音声信号が音声比較装置１に到達する時刻と、第２の音声信号が音声比較装置１に到達する時刻との差で表される。例えば、第１の音声信号に対して第２の音声信号が所定時間ｔだけ遅れて到達する場合の遅延時間を「ｔ」とすると、その逆の場合（第１の音声信号に対して第２の音声信号が所定時間だけ早く到達する場合）の遅延時間は「−ｔ」と表される。
相互相関関数の値は、２つの関数の類似性が高いほど大きな値をとるため、相対的遅延時間は相互相関関数の値が最大となる場合での各波形の時間差として求められる。なお、相対的遅延時間の導出の詳細については、後記する。
【００２５】
図３に示すように、同期手段１０１は、記憶部１０１１ａ，１０１１ｂと、音声信号切出し部１０１２ａ，１０１２ｂと、相互相関関数算出部１０１３と、相互相関関数記憶部１０１４と、相互相関関数比較部１０１５と、音声信号読出部１０１６と、を備える。
記憶部１０１１ａは、インタフェース装置２のＡ／Ｄ変換器２０１ａによってデジタル信号に変換された第１の音声信号を一時的に記憶するバッファとして機能する。同様に、記憶部１０１１ｂは、インタフェース装置２のＡ／Ｄ変換器２０１ｂによってデジタル信号に変換された第２の音声信号を一時的に記憶するバッファとして機能する。
【００２６】
音声信号切出し部１０１２ａは、Ａ／Ｄ変換器２０１ａでデジタル信号に変換された第１の音声信号を記憶部１０１１ａから読み出し、所定時間分の波形を切り出して相互相関関数算出部１０１３に出力する。例えば、図４（ａ）に示すように、音声信号切出し部１０１２ａは、第１の音声信号からｔ１〜ｔ２までの時間幅の波形を切り出す。
なお、上記の時間幅（ｔ２−ｔ１）は、予め定められた値である。ｔ１〜ｔ２の時間幅の波形は、ｔ１〜ｔ２における値が１であり、それ以外の時間における値が０である関数を第１の音声信号に乗算することにより取得することができる。
同様に、音声信号切出し部１０１２ｂは、Ａ／Ｄ変換器２０１ｂでデジタル信号に変換された第２の音声信号を記憶部１０１１ｂから読み出し、所定時間分の波形を切り出して取得し、相互相関関数算出部１０１３に出力する。図４（ｂ）に示すように、音声信号切出し部１０１２ｂは、まず、上記の音声信号切出し部１０１２ａが取得した波形の時間と同一の時間（上記の例では、ｔ１〜ｔ２）の波形を切り出して取得し、相互相関関数算出部１０１３に出力する。
【００２７】
さらに、音声信号切出し部１０１２ｂは、音声信号切出し部１０１２ａが取得した波形の時間（ｔ１〜ｔ２）からｔ０だけ進んだ時間（ｔ１＋ｔ０〜ｔ２＋ｔ０）における第２の音声信号の波形を取得して、相互相関関数算出部１０１３に出力する。なお、ｔ０は予め定められた時間である。
同様にして、音声信号切出し部１０１２ｂは、（ｔ１＋２ｔ０〜ｔ２＋２ｔ０：図４参照）、（ｔ１−ｔ０〜ｔ２−ｔ０：図示せず）、（ｔ１−２ｔ０〜ｔ２−２ｔ０：図示せず）のように、時間（ｔ１〜ｔ２）から正又は負方向にｔ０ずつシフトさせた時間における第２の音声信号を切り出して相互相関関数算出部１０１３に出力する。なお、第２の音声信号から所定時間分だけ切り出して取得されるデータの個数（上記では、５個）は、予め設定されているものとする。
【００２８】
相互相関関数算出部１０１３は、音声信号切出し部１０１２ａで取得された所定時間ｔ１〜ｔ２の音声信号と、１０１２ｂから取得された時間幅（ｔ２−ｔ１）である複数の(上記では、５個)の音声信号との相互相関関数を逐次算出して、相互相関関数記憶部１０１４に出力する。
例えば、相互相関関数は、ｔ１〜ｔ２（図４参照）における第１の音声信号とｔ１＋ｔ０〜ｔ２＋ｔ０（図４参照）における第２の音声信号との相互相関関数を算出して、相互相関関数記憶部１０１４に出力する。相互相関関数記憶部１０１４は、相互相関関数算出部１０１３で算出された複数の相互相関関数を記憶する。
相互相関関数比較部１０１５は、相互相関関数記憶部１０１４に記憶された相互相関関数の値を読み出して順次比較し、相互相関関数算出部１０１３で算出した相互相関関数の値が最大になる場合での相対的遅延時間ｎ＊ｔ０（ｎは整数）を音声信号読出部１０１６に出力する。
【００２９】
例えば、図４において第２の音声信号の波形（図４（ｂ）参照）は、第１の音声信号の波形（図４（ａ）参照）よりも時間ｔ０だけ進んでいる。この場合、相互相関関数算出部１０１３で算出される複数の相互相関関数のうち、ｔ１〜ｔ２の範囲での第１の音声信号と、ｔ１＋ｔ０〜ｔ２＋ｔ０の範囲での第２の音声信号との相互相関関数が最大になる。
この場合、相互相関関数比較部１０１５は、第１の音声信号に対する第２の音声信号の相対的遅延時間である「−ｔ０」を音声信号読出部１０１６に出力する。なお、上記のマイナスの符号は、第１の音声信号に対して第２の音声信号が時間ｔ０だけ進んでいる（−ｔ０だけ遅れている）ことを表す。
音声信号読出部１０１６は、相互相関関数比較部１０１５から出力された相対的遅延時間に従って、各音声信号が同期するように読み出し処理を行う。上記の例では、音声信号読出部１０１６は、同期手段１０１に入力したタイミングを基準として、第２の音声信号を第１の音声信号より時間ｔ０だけ遅らせて記憶部１０１１ａ，１０１１ｂから読み出し、フレーム取得手段１０２ａ，１０２ｂに出力する。
以上のような処理によって、同期手段１０１は第１の音声信号と第２の音声信号とを同期させることができる。
【００３０】
再び図２に戻って、音声比較装置１について説明を続ける。なお、重複した説明を避けるため、フレーム取得手段１０２ａ，１０２ｂ、周波数変換手段１０３ａ，１０３ｂ、正規化手段１０４ａ，１０４ｂについては、第１の音声信号を処理する場合のみ説明し、第２の音声信号を処理する場合については第１の音声信号の処理と同様になるので、説明を省略する。
フレーム取得手段１０２ａは、同期手段１０１から出力された第１の音声信号から所定の窓関数を用いてフレームを切り取る。ここで「フレーム」とは、窓関数によって切り出された部分の音声信号を指す。
音声は、その統計的性質が時間とともに変化するが、十分に短い期間内では定常性を仮定できると考えられている。したがって、音声信号の分析では、窓関数を用いて音声信号の波形をその定常性が確認できる程度の短い時間に分割する。窓関数として、例えば、方形窓、バーレット窓、ハニング窓、ハミング窓、ブラックマン窓などを用いることができる。本実施形態では、長さが１０〜１０００ｍｓｅｃの時間窓を、１０〜１０００ｍｓｅｃの間隔で順次シフトしながら分析を行う。
同期手段１０１により同期処理をして入力された第１の音声信号は、フレーム取得手段１０２ａによってフレームに切り取られ、周波数変換手段１０３ａに対して出力される。
【００３１】
周波数変換手段１０３ａは、高速フーリエ変換（Fast Fourier Transform :ＦＦＴ）を実行することにより、フレーム取得手段１０２ａによりフレームに切り取られた第１の音声信号を、時間領域から周波数領域に変換する。つまり、周波数変換手段１０３ａは、第１の音声信号に対して離散フーリエ変換を高速に実行することにより、時間領域の信号として入力された第１の音声信号を周波数スペクトルに変換する。
したがって、フレーム取得手段１０２ａによりフレームに切り取られて入力された第１の音声信号は、周波数変換手段１０３ａによって時間領域から周波数領域の音声信号に変換され、正規化処理手段１０４ａに対して出力される。
【００３２】
正規化手段１０４ａは、周波数変換手段１０３ａにより周波数領域に変換して入力された第１の音声信号に対して、正規化の処理を行う。具体的に正規化手段１０４ａは、スペクトルを表す関数Ｓ（ｆ）を、各サンプル周波数における値（強度）の和で除することにより正規化を行う。すなわち、正規化手段１０４ａは、以下の式（１）及び式（２）で表される正規化処理を実行する。
なお、Ｓ（ｆ）はスペクトルを表す関数、ｆは周波数、ｆｍｉｎは最小周波数、ｆｍａｘは最大周波数、Ｒは各サンプル周波数における値（強度）の和、Ｎ（ｆ）は正規化されたスペクトルである。
【数１】
【数２】
【００３３】
音声信号の音量が大きくなると、第１の音声信号及び第２の音声信号の波形も大きくなるため、周波数成分を比較する場合の誤差が大きくなる。本実施形態のように、周波数変換手段１０３ａの後段に正規化手段１０４ａを備えることによって、基準となる音声レベルが入力の時点でずれている場合でも各音声信号の波形を正規化することにより音声信号の大きさのばらつきをなくし、誤判定を防止することができる。
周波数変換手段１０３ａにより周波数領域に変換して入力された第１の音声信号は、正規化手段１０４ａによって正規化処理され、距離算出手段１０５に対して出力される。
【００３４】
距離算出手段１０５は、正規化手段１０４ａにより正規化して入力された第１の音声信号と、正規化手段１０４ｂにより正規化して入力された第２の音声信号との距離(ノルム)を算出する。すなわち、距離算出手段１０５は、正規化手段１０４ａから入力された第１の音声信号と正規化手段１０４ｂから入力された第２の音声信号について、サンプル周波数ごとの強度差の絶対値を算出し、さらに、算出した各サンプル周波数における強度差の絶対値から距離（ノルム）を算出して、比較手段１０６に対して出力する。
第１の音声信号のスペクトルをＳ（ｆ）とし、第２の音声信号のスペクトルをＴ（ｆ）とすると、以下の（式３）及び（式４）のようになる。
【数３】
【００３５】
したがって、第１の音声信号と第２の音声信号との距離であるノルム‖Ｓ(ｆ)−Ｔ(ｆ)‖は、以下の式（５）のようになる。
【数４】
【００３６】
比較手段１０６は、距離算出手段１０５により算出された距離(ノルム‖Ｓ(ｆ)−Ｔ(ｆ)‖)が、予め定められた所定の値以上であるか否か判断し、その結果を表示装置３に対して出力する。
距離算出手段１０５により算出された距離が、予め定められた所定の値以上であった場合には、第１の音声信号と第２の音声信号とは異なる内容であると考えられる。したがって、この場合、比較手段１０６は、「異常あり」に対応する信号を表示装置３に対して出力する。また、距離算出手段１０５により算出された距離が、予め定められた所定の値より小さい場合には、第１の音声信号と第２の音声信号とは同一の内容であると考えられる。したがって、この場合比較手段１０６は、「異常なし」に対応する信号を表示装置３に対して出力する。
なお、比較手段１０７は、予め定められた所定時間(例えば、１０秒)内に算出されたスペクトル包絡間の距離の合計値を算出し、当該合計値が予め定められた所定値以上であるか否かを判断することとしてもよい。
【００３７】
図５は、本実施形態に係る音声比較装置１の一連の処理の流れを示すフローチャートである。なお、重複した説明を避けるため、ステップＳ２０〜Ｓ４０は第１の音声信号についてのみ説明する。
図５のステップＳ１０で音声比較装置１は、同期手段１０１によって、入力された第１の音声信号と第２の音声信号とが同期するように、同期処理を行う。すなわち、同期手段１０１は、第１の音声信号と第２の音声信号との相互相関関数が最大となる場合の相対的遅延時間を求め、この相対的遅延時間に従って一方を他方に遅らせて出力することにより、同期処理を行う。
ステップＳ２０で音声比較装置１は、フレーム取得手段１０２ａによって、同期手段１０１から入力された第１の音声信号から所定の窓関数を用いてフレームを切り取る。ステップＳ３０で音声比較装置１は、周波数変換手段１０３ａによって、フレーム取得手段１０２ａから入力された第１の音声信号に対してフーリエ変換を高速に実行することにより、時間領域の信号として入力された第１の音声信号を周波数スペクトルに変換する。ステップＳ４０で音声比較装置１は、正規化手段１０４ａによって、周波数変換手段１０３ａから入力された第１の音声信号に対して、正規化の処理を行う。
【００３８】
ステップＳ５０で音声比較装置１は、距離算出手段１０５によって、正規化手段１０４ａから入力された第一の音声信号と、正規化手段１０４ｂから入力された第２の音声信号との距離(ノルム)を算出する。ステップＳ６０で音声比較装置１は、比較手段１０６によって、距離算出手段１０５により算出された距離（ノルム）が予め定められた所定の値以上であるか否か判断する。ステップＳ６０で、距離算出手段１０５により算出された距離（ノルム）が、予め定められた所定の値以上であった場合（ステップＳ６０→Ｙｅｓ）、音声比較装置１は、比較手段１０６によって、表示部３に対して「異常あり」に対応する信号を出力する(ステップＳ７０)。また、ステップＳ６０で、距離算出手段１０５により算出された距離（ノルム）が、予め定められた所定の値より小さかった場合（ステップＳ６０→Ｎｏ）、音声比較装置１は、比較手段１０６によって、表示部３に対して「異常なし」に対応する信号を出力する（ステップＳ８０）。
【００３９】
本実施形態に係る音声比較装置１によれば、フレーム取得手段１０２ａ，１０２ｂが、所定の窓関数を用いて各音声信号の波形をその定常性が確認できる程度の短い時間で切り出して、さらに周波数変換手段１０３ａ，１０３ｂが周波数領域に変換する処理を行う。
したがって、同期手段１０１で算出した相対的遅延時間に誤差が生じた場合でも、定常性が確認できる程度の短い時間で切り出した音声信号の周波数特性の変動が小さいため、音声比較装置１の判定結果にはほとんど影響しない。
なお、第１の音声信号に対する第２の音声信号の相対的遅延時間が変動しないことが分かっている場合には、同期手段１０１が相対的遅延時間を算出する処理は、フレームごとに逐次行う必要はなく、音声比較装置１による比較処理を行う際に１度だけ行えばよい。
また、所定時間ごとに相対的遅延時間の算出を行うよう設定してもよい。
【００４０】
本実施形態に係る音質監視装置１は、同一の音質素材に対して異なる変調方式で変調を行った場合に、変調方式の違いに起因する音質の差が復調信号に現れても、各音声信号の周波数特性に着目し、その距離（ノルム）を所定値と比較することによって、正常であるか異常であるかを適切に検知することができる。
また、本実施形態に係る音質監視装置１は、周波数変換手段１０３ａから入力された第１の音声信号と、周波数変換手段１０３ｂから入力された第２の音声信号について、正規化手段１０４ａ，１０４ｂにより正規化する処理を行っている。これによって、基準となる音声レベルが入力の時点でずれている場合でも、各音声信号の波形を正規化することによって、音声信号の大きさのばらつきをなくし、誤判定を防止することができる。
したがって、本実施形態に係る音質監視装置１によれば、異なる変調方式で変調した場合の復調信号である第１の音声信号と第２の音声信号の素材の同一性を適切に判定することができる
【００４１】
≪第２実施形態≫
本実施形態に係る音声比較装置１Ａは、スペクトル包絡変換手段１０７ａ，１０７ｂを備える点が第１実施形態と異なるが、他の点は第１実施形態の場合と同様である。したがって、当該異なる点について主に説明し、第１実施形態と共通する点についてはその説明を省略する。また、以下の説明では、第１の音声信号に対する処理を中心に説明し、第２の音声信号に対する処理については、第１の音声信号に対する処理と同様であるので、その説明を省略する。
【００４２】
図６に示すように、本実施形態に係る音声比較装置１Ａは、周波数変換手段１０３ａと正規化手段１０４ａとの間にスペクトル包絡変換手段１０７ａが挿入されている
なお、図６に示す同期手段１０１、フレーム取得手段１０２ａ，１０２ｂ、周波数変換手段１０３ａ，１０３ｂによる処理は、第１実施形態（図２参照）で説明した処理と同様である。
スペクトル包絡変換手段１０７ａは、周波数変換手段１０３ａにより周波数領域に変換して入力された第１の音声信号をスペクトル包絡に変換する。スペクトル包絡を得るための手法としては、線形予測分析（linear predictive coding：ＬＰＣ）が有効である。線形予測分析は、過去の出力と現在の入力を用いてワンステップ先である現在の出力を予測するために、線形結合における各々の係数（ＬＰＣ係数ベクトル）を求める手法である。
具体的には、スペクトル包絡変換手段１０７ａは線形予測分析を用いて、音声信号の各サンプリング値をいくつかの過去のサンプリング値の線形結合で表し、予測される最小誤りの二乗平均値に基づいて個々の重み付け係数を求める。ちなみに、予測される誤りは、実際のサンプリング値と予測値との差によって求められる。
すなわち、スペクトル包絡変換手段１０７ａは、線形予測分析を用いて第１の音声信号のパラメータ（フォルマント等）を推定してスペクトル包絡に変換し、正規化手段１０４ａに出力する。
【００４３】
そして、正規化手段１０４ａは、スペクトル包絡変換手段１０７ａから入力された第１の音声信号に対応する第１のスペクトル包絡に対して、正規化の処理を行う。具体的に正規化手段１０４ａは、上記で説明したように、スペクトルを表す関数Ｓ（ｆ）を、スペクトル包絡の各サンプル周波数における値（強度）の和で除することにより正規化を行う。
そして、距離算出手段１０５は、正規化手段１０４ａにより正規化して入力された第１の音声信号（第１のスペクトル包絡）と、正規化手段１０４ｂにより正規化して入力された第２の音声信号（第２のスペクトル包絡）との距離(ノルム)を算出する。
さらに、比較手段１０６は、距離算出手段１０５により算出された距離(ノルム‖Ｓ(ｆ)−Ｔ(ｆ)‖)が、予め定められた所定の値以上であるか否か判断し、その結果を表示装置３に対して出力する。
【００４４】
図７は、本実施形態に係る音声比較装置１Ａの一連の処理の流れを示すフローチャートである。図７に示すステップＳ１０〜Ｓ３０は、図５で説明したステップＳ１０〜Ｓ３０と同様であるから、説明を省略する。
図７のステップＳ３１で音声比較装置１Ａは、スペクトル包絡変換手段１０５ａによって、周波数変換手段１０４ａから入力された第１の音声信号をスペクトル包絡に変換する。そして、ステップＳ４０で音声比較装置１Ａは、正規化手段１０４ａによって、スペクトル包絡変換手段１０５ａから入力された第１の音声信号（第１のスペクトル包絡）に対して、正規化の処理を行う。ステップＳ５０で音声比較装置１Ａは、距離算出手段１０５によって、正規化手段１０４ａから入力された第１の音声信号（第１のスペクトル包絡）と、正規化手段１０４ｂから入力された第２の音声信号（第２のスペクトル包絡）との距離(ノルム)を算出する。なお、ステップＳ６０〜Ｓ８０は、図５で説明したステップＳ６０〜Ｓ８０と同様であるから、説明を省略する。
【００４５】
本実施形態に係る音声比較装置１Ａは、スペクトル包絡変換手段１０７ａ，１０７ｂが線形予測分析を用いて各音声信号のスペクトル包絡を出力し、さらに正規化手段１０４ａ，１０４ｂによって正規化処理を行った上で、距離算出手段１０５が２つのスペクトル包絡間の距離（ノルム）を算出する。各音声信号に対して周波数変換のみを行った場合には、音声信号の特徴を判別する上で必要の無い情報も含まれている可能性があるが、本実施形態に係る音声比較装置１Ａは、上記のように音声信号の特徴を判断する上で有効なスペクトル包絡を比較することによって、検出精度の信頼性を高めることができる。
すなわち、本実施形態に係る音質監視装置１Ａは、同一の音質素材に対して異なる変調方式で変調を行って復調した場合に、変調方式の違いに起因する音質の差が各音声信号に現れても、音源の「音の特徴」であるスペクトル包絡に焦点を絞った比較を行う事によって、各音声信号について素材の同一性を適切に判定することができる。
【００４６】
≪第３実施形態≫
本実施形態に係る音声比較装置１Ｂは、高域通過フィルタ手段１０８ａ，１０８ｂと、メル尺度変換手段１０９ａ，１０９ｂとを備える点が第２実施形態と異なるが、他の点は第２実施形態の場合と同様である。したがって、当該異なる点について主に説明し、第２実施形態と共通する点についてはその説明を省略する。また、第１の音声信号に対する処理を中心に説明し、第２の音声信号に対する処理については、第１の音声信号に対する処理と同様であるので、その説明を省略する。
【００４７】
図８に示すように、本実施形態に係る音声比較装置１Ｂは、スペクトル包絡変換手段１０７ａと正規化手段１０４ａとの間に高域通過フィルタ手段１０８ａと、メル尺度変換手段１０９ａとが挿入されている。
なお、図８に示す同期手段１０１、フレーム取得手段１０２ａ，１０２ｂ、周波数変換手段１０３ａ，１０３ｂによる処理は、第１実施形態（図２参照）で説明した処理と同様である。また、図８に示すスペクトル包絡変換手段１０７ａ，１０７ｂによる処理は、第２実施形態（図６参照）で説明した処理と同様である。
【００４８】
高域通過フィルタ手段１０８ａは、スペクトル包絡変換手段１０７ａによりスペクトル包絡に変換して入力された第１の音声信号（第１のスペクトル包絡）について、所定の周波数より低い周波数帯域の信号を除去することにより、上記所定の周波数以上の周波数帯域の信号を取り出す処理を行う。
人間が感じる音の大きさは同じ音圧レベルでも周波数によって変わることが知られており、人間の感じる音の大きさは「等ラウドネス曲線（フレッチャー・マンソン曲線）」で表される。本実施形態に係る音声比較装置１Ｂは、上記の等ラウドネス曲線の特性を、周波数の高い領域を強調する処理を行う高域通過フィルタ手段１０８ａによって近似する。高域通過フィルタ手段１０８ａとして、例えば、ＦＩＲフィルタ（finite impulse response filter）を使用することができる。
【００４９】
高域通過フィルタ手段１０８ａは、所定の基準となる周波数以上の高い周波数帯域の音声信号を取り出し、低い周波数成分を除去するという特性を有する。なお、上記の基準となる周波数は、予め定めされた周波数である。
高域通過フィルタ手段１０８ａとして有効なＦＩＲフィルタの特性は、インパルス応答のＺ変換を行った場合の伝達関数Ｈ（ｚ）で表され、以下の式（６）のようになる。ＦＩＲフィルタは、フィードバックを必要とせず安定性があること、線形位相情報を保つことなどの特長がある。
【数５】
【００５０】
スペクトル包絡変換手段１０７ａによりスペクトル包絡に変換して入力された第１の音声信号は、高域通過フィルタ手段１０８ａにより高い周波数帯域の音声信号が取り出され、メル尺度変換手段１０９ａに対して出力される。
【００５１】
メル尺度変換手段１０９ａは、高域通過フィルタ手段１０８ａにより所定の周波数以上の周波数帯域の信号を取り出す処理を行って入力された第１の音声信号に対し、メル尺度関数を用いて人間の聴覚感度特性に対応する周波数上の重み付けを行う。ここでメル尺度関数は、下記の式（７）で表される。なお、ｆ[Ｈｚ]は音声信号の周波数を表す。
【数６】
【００５２】
メル尺度は、人間が感じる音の高さを表す尺度であり、特に、低域の周波数分解能を向上させた音声認識手法である。したがって、メル尺度変換手段１０９ａにより、人間の聴覚特性に近い形で第１の音声信号を抽出することができる。メル尺度変換を行う手法として、例えば、ＭＦＣＣ法（Mel Frequency Cepstrum Coefficient）を用いることができる。ＭＦＣＣ法は、三角形状の周波数特性を有する帯域通過フィルタ（図示せず）の出力を逆フーリエ変換し、低ケフレンシー部分を抽出する処理を行うことにより実行される。
高域通過フィルタ手段１０８ａにより高い周波数帯域の音声信号を取り出して入力された第１の音声信号は、メル尺度変換手段１０９ａによりメル尺度に変換され、正規化手段１０４ａに対して出力される。
【００５３】
そして、正規化手段１０４ａは、メル尺度変換手段１０９ａから入力された第１の音声信号（第１のスペクトル包絡）に対して、正規化の処理を行う。具体的に正規化手段１０４ａは、上記で説明したように、スペクトルを表す関数Ｓ（ｆ）を、スペクトル包絡の各サンプル周波数における値（強度）の和で除することにより正規化を行う。
そして、距離算出手段１０５は、正規化手段１０４ａにより正規化して入力された第１の音声信号（第１のスペクトル包絡）と、正規化手段１０４ｂにより正規化して入力された第２の音声信号（第２のスペクトル包絡）との距離(ノルム)を算出する。
さらに、比較手段１０６は、距離算出手段１０５により算出された距離(ノルム‖Ｓ(ｆ)−Ｔ(ｆ)‖)が、予め定められた所定の値以上であるか否か判断し、その結果を表示装置３に対して出力する。
【００５４】
図９は、本実施形態に係る音声比較装置１Ｂの一連の処理の流れを示すフローチャートである。図９に示すステップＳ１０〜Ｓ３１は、図７で説明したステップＳ１０〜Ｓ３１と同様であるから、説明を省略する。
図９のステップＳ３２で音声比較装置１Ｂは、高域通過フィルタ手段１０８ａによって、スペクトル包絡変換手段１０７ａによりスペクトル包絡に変換して入力された第１の音声信号（第１のスペクトル包絡）について、所定の周波数より低い周波数帯域の信号を除去することにより、上記所定の周波数以上の周波数帯域の信号を取り出す。次に、ステップＳ３３で音声比較装置１Ｂは、メル尺度変換手段１０９ａによって、高域通過フィルタ手段１０８ａから入力された第１の音声信号（第１のスペクトル包絡）に対し、メル尺度関数を用いて人間の聴覚感度特性に対応する周波数上の重み付けを行う。そして、ステップＳ４０で音声比較装置１Ｂは正規化手段１０４ａによって、メル尺度変換手段１０９ａから入力された第１の音声信号（スペクトル包絡）に対して、正規化の処理を行う。ステップＳ５０で音声比較装置１Ｂは、距離算出手段１０５によって、正規化手段１０４ａから入力された第１の音声信号（第１のスペクトル包絡）と、正規化手段１０４ｂから入力された第２の音声信号（第２のスペクトル包絡）との距離(ノルム)を算出する。なお、ステップＳ６０〜Ｓ８０は、図５で説明したステップＳ６０〜Ｓ８０と同様であるから、説明を省略する。
【００５５】
本実施形態に係る音声比較装置１Ｂは、高域通過フィルタ手段１０８ａ，１０８ｂにより周波数の高い領域を強調することによって、人間の聴覚特性に近い周波数特性に変換する。さらに、音声比較装置１Ｂは、メル尺度変換手段１０９ａ，１０９ｂにより、人間の聴覚感度特性に対応する周波数上の重み付けを行うことによって、人間の聴覚特性により近い周波数特性に変換することができる。
すなわち、本実施形態に係る音質監視装置１Ｂは、同一の音質素材に対して異なる変調方式で変調を行って復調した場合に、変調方式の違いに起因する音質の差が各音声信号に現れても、人間の聴覚特性を取り入れ、さらに音源の「音の特徴」に焦点を絞った比較を行う事によって、各音声信号について素材の同一性を適切に判定することができる。
【００５６】
［音声比較プログラム］
前記した音声比較装置１，１Ａ，１Ｂは、一般的なコンピュータを、前記した各手段及び各部として機能させるプログラムにより動作させることで実現することができる。
【００５７】
以上、本発明に係る音声比較装置１，１Ａ，１Ｂについて、発明を実施するための形態により具体的に説明したが、本発明の趣旨はこれらの記載に限定されるものではなく、特許請求の範囲の記載に基づいて広く解釈されなければならない。また、これらの記載に基づいて種々変更、改変等したものも本発明の趣旨に含まれることはいうまでもない。
【００５８】
音声比較装置１，１Ａ，１Ｂでは、図４に示すように、ｔ１〜ｔ２の時間における第１の音声信号に対して、時間ｔ１〜ｔ２の範囲からｔ０ずつ正又は負方向に範囲をシフトして、各範囲での第２の音声信号を取得する場合について説明したが、これに限らない。
例えば、ｔ１〜ｔ２の時間における第２の音声信号を基準として、時間ｔ１〜ｔ２の範囲からｔ０ずつ正又は負方向に範囲をシフトして、各範囲での第１の音声信号を取得してもよい。また、例えば、第１の音声信号に対する第２の音声信号の相対的遅延時間について予め見当がついていれば（この場合の相対的遅延時間をｔ３とする）、当該相対的遅延時間ｔ３を中心として波形を切り出す範囲を正又は負方向に順次シフトさせて、それぞれの場合について相対的遅延時間を算出すればよい。
【００５９】
また、第１の音声信号に対する第２の音声信号の相対的遅延時間（この場合の相対的遅延時間をｔ４とする）が予め分かっている場合には、音声信号を所定時間分だけ順次ずらして切り出し、複数の相互相関関数を算出する処理を省略することができる。この場合には、音声信号読出部１０１６（図３参照）が相対的遅延時間ｔ４に従って第１の音声信号と第２の音声信号とを同期させ、フレーム取得手段１０２ａ，１０２ｂにそれぞれ出力すればよい。ちなみに、この場合には、既知の相対的遅延時間ｔ４を予め入力部（図示せず）を介して入力して記憶部（図示せず）に格納し、音声信号読出部１０１６が相対的遅延時間ｔ４を上記の記憶部から読み出して、第１の音声信号と第２の音声信号とを同期させればよい。
【００６０】
また、本発明に係る音声比較装置１，１Ａ，１Ｂでは、同期手段１０１（図３参照）が、記憶部１０１１ａ，１０１１ｂ、及び、相互相関関数記憶部１０１４を含む構成となっているが、これに限らない。すなわち、記憶部１０１１ａ，１０１１ｂ、及び、相互相関関数記憶部１０１４が音声比較装置１，１Ａ，１Ｂの外部に存在する構成としてもよい。
【００６１】
また、音声比較装置１，１Ａ，１Ｂの外部に、放送局（図示せず）から番組情報を受信して、第１の音声信号と第２の音声信号とが同じ番組に対応するものであるか否かを音声比較装置１，１Ａ，１Ｂに対して出力する番組情報受信装置（図示せず）を備えることとしてもよい。この場合には、番組情報受信装置から、第１の音声信号に対応する第１の放送と、第２の音声信号に対応する第２の放送とが同じであるか否かを示す信号が音声比較装置１の比較手段１０６（図２、図６、図８参照）に入力される。
【００６２】
上記の第１の放送と第２の放送とが同じ番組であることを示す信号が番組情報受信装置から入力された場合、比較手段１０６は、上記で説明した場合と同様の処理を行う。すなわち、比較手段１０６は、距離算出手段１０５により算出された距離（ノルム）の値が所定値より大きいか否かによって「正常」又は「異常」に対応する信号を表示装置３に対して出力する。一方、上記の第１の放送と第２の放送とが異なる番組であることを示す信号が番組情報受信装置から入力された場合には、比較手段１０７は、距離算出手段１０５により算出された距離（ノルム）の値に関わらず、常に「正常」に対応する信号を表示装置３に出力する。
これは、例えば、第１の音声信号が「マラソン中継」の放送に対応する音声信号で、第２の音声信号が「トーク番組」の放送に対応する音声信号であることが番組情報受信装置から入力された番組情報により予め分かっている場合には、第１の音声信号と第２の音声信号との距離の値に関わらず、「正常」と判定することが適当だからである。
【００６３】
また、図８に示すように、音声比較装置１Ｂは、第２実施形態に係る音声比較装置１Ａに高域通過フィルタ手段１０８ａ，１０８ｂ及びメル尺度変換手段１０９ａ，１０９ｂを追加した構成となっているが、上記の各構成のうち高域通過フィルタ手段１０８ａ，１０８ｂのみを追加する構成としてもよい。この場合、正規化手段１０４ａは、高域通過フィルタ手段１０８ａにより周波数の高い領域を強調して入力された第１の音声信号（スペクトル包絡）に対して正規化処理を行い、距離算出手段１０５に対して出力する。第２の音声信号についても同様である。
また、第２実施形態に係る音声比較装置１Ａにメル尺度変換手段１０９ａ，１０９ｂのみを追加する構成としてもよい。この場合、メル尺度変換手１０９ａは、スペクトル包絡変換手段１０７ａによりスペクトル包絡に変換して入力された第１の音声信号（スペクトル包絡）に対して、人間の聴覚感度特性に対応する周波数上の重み付けを行い、正規化手段１０４ａに対して出力する。
【００６４】
図１０は、本発明の第１実施形態に係る音声比較装置１を用いた場合と、本発明の第３実施形態に係る音声比較装置１Ｂを用いた場合と、において１２ＳＥＧ放送と１ＳＥＧ放送を比較した実験データを示す図である。
図１０のグラフの破線は本発明の第１実施形態に係る音声比較装置１を用いて処理を行った場合であり、２つの音声信号に対して同期処理、フレーム取得処理、周数変換処理、正規化処理を行って、２つの音声信号の強度の差分（距離）を１秒ごとに算出したものである。なお、図中には簡単のため、「周波数スペクトル」と記載されている。
一方、図１０のグラフの実線は本発明の第３実施形態に係る音声比較装置１Ｂを用いて処理を行った場合であり、第１実施形態に係る音声比較装置１の処理に加えて、さらにスペクトル包絡変換処理、高域通過フィルタ処理、メル尺度変換処理を行って、２つのスペクトル包絡の差分（距離）を１秒ごとに算出したものである。なお、図中には簡単のため、「スペクトル包絡＋高域通過フィルタ＋ＭＥＬ尺度」と記載されている。
【００６５】
図１０に示す実験データにおいて、破線で示す「周波数スペクトル」の場合と、実線で示す「スペクトル包絡＋高域通過フィルタ＋ＭＥＬ尺度」の場合とでは、サンプル点の量が異なるため、当該サンプル点の量に基づいて正規化した。また、図１０に示す実験データでは、フレーム取得手段１０２ａ，１０２ｂ（図２、図８参照）で用いられる窓関数のずらし幅を１００ｍｓｅｃとし、窓関数の長さを６６ｍｓｅｃとした。また、サンプリング周波数を４８０００Ｈｚとし、量子化ビットを１６ｂｉｔとした。また、図１０に示す実験データでは、１２ＳＥＧ放送と１ＳＥＧ放送とが同一の放送内容である場合の各音声信号の差異（距離）を０ｄＢとした。
また、１ＳＥＧ放送の送出において障害が起きた事を想定し、１ＳＥＧ放送を無音とした区間Ｂ１、及び、１ＳＥＧ放送をホワイトノイズ（白色雑音）とした区間Ｄ１を設け、異常を検知できたかを示した。なお、ホワイトノイズとは、すべての波が同じエネルギーで重なっている雑音である。
【００６６】
図１０に示すＡ１及びＣ１で示した区間では、音声比較装置１，１Ｂが第１の音声信号として１２ＳＥＧ放送を受信し、第２の音声信号として、第１の音声信号と同一内容の１ＳＥＧ放送を受信した。また、Ｂ１で示した区間は、音声比較装置１，１Ｂが第１の音声信号として１２ＳＥＧ放送を受信し、第２の音声信号を無音とした。Ｃ１で示した区間は、Ａ１の範囲と同様に、音声比較装置１，１Ｂが第１の音声信号として１２ＳＥＧ放送を受信し、第２の音声信号として、第１の音声信号と同一内容の１ＳＥＧ放送を受信した。Ｄ１で示した区間は、音声比較装置１，１Ｂが第１の音声信号として１２ＳＥＧ放送を受信し、第２の音声信号を定常的なホワイトノイズとした。
【００６７】
図１０に示すように、実線で示した「スペクトル包絡＋高域通過フィルタ＋ＭＥＬ尺度」、及び、破線で示した「周波数スペクトル」の両方において、Ｂ１（１ＳＥＧ 無音）の区間で波形の差異の値が大きくなり、異常を検知した事が分かる。また、実線で示した「スペクトル包絡＋高域通過フィルタ＋ＭＥＬ尺度」及び破線で示した「周波数スペクトル」の両方において、Ｄ１（１ＳＥＧ ホワイトノイズ）の区間で、波形の差異の値が大きくなり、異常を検知した事が分かる。さらに、「周波数スペクトル」の場合よりも「スペクトル包絡＋高域通過フィルタ＋ＭＥＬ尺度」の場合の方が、正常な区間（２つの音声信号の内容が同一であるＡ１，Ｃ１の区間）における値と、異常な区間（１ＳＥＧ放送が無音であるＣ１の区間、及び１ＳＥＧ放送がホワイトノイズであるＤ１の区間）における値との相対的な差が大きいことが分かる。つまり、「周波数スペクトル」の場合よりも「スペクトル包絡＋高域通過フィルタ＋ＭＥＬ尺度」の場合の方が、所定のしきい値を基準として、２つの音声信号の素材が同一であるか否かを適切に判断することができる。
【００６８】
図１１は、本発明の第１実施形態に係る音声比較装置１を用いた場合と、本発明の第３実施形態に係る音声比較装置１Ｂを用いた場合と、においてＡＭ放送とＦＭ放送を比較した実験データを示す図である。
図１１のグラフの破線は、図１０に示す実験データと同様に、本発明の第１実施形態に係る音声比較装置１を用いて処理を行った場合であり、図中には簡単のため、「周波数スペクトル」と記載されている。
一方、図１１のグラフの実線は、図１０に示す実験データと同様に、本発明の第３実施形態に係る音声比較装置１Ｂを用いて処理を行った場合であり、図中には簡単のため、「スペクトル包絡＋高域通過フィルタ＋ＭＥＬ尺度」と記載されている。
【００６９】
図１１に示す実験データにおいて、破線で示す「周波数スペクトル」の場合と、実線で示す「スペクトル包絡＋高域通過フィルタ＋ＭＥＬ尺度」の場合とでは、サンプル点の量が異なるため、当該サンプル点の量に基づいて正規化した。また、図１１に示す実験データでは、フレーム取得手段１０２ａ，１０２ｂ（図２、図８参照）で用いられる窓関数のずらし幅を１００ｍｓｅｃとし、窓関数の長さを６６ｍｓｅｃとした。また、サンプリング周波数を４８０００Ｈｚとし、量子化ビットを１６ｂｉｔとした。また、図１１に示す実験データでは、ＡＭ放送とＦＭ放送とが同一の放送内容である場合の各音声信号の差異（距離）を０ｄＢとした。
【００７０】
なお、図１１に示す実験データでは、測定音声の音声レベルは、１６ｂｉｔで量子化した時のフルビットスケールを０ｄＢＦＳとした場合の−１８ｄＢＦＳの正弦波信号を＋４ｄＢｍとした。また、素材のニュース番組は０ｄＢｍ程度の平均トークレベルで収録されたもので放送波を復調して収録したものを使用した。また、Ｂ２で示した範囲では、平均トークレベルが０ｄＢｍ〜＋４ｄＢｍの音声素材に、定常ノイズ（サーマルノイズ）を−１６ｄＢｍ〜−１１ｄＢｍ程度で混入した。また、インピーダンスが６００Ωの機器に１ｋＨｚの正弦波信号を加えて１ｍＷの電力を消費した場合を０ｄＢｍとし、電圧を０．７７５Ｖとした場合を０ＶＵ＝＋４ｄＢｍとした。
ちなみに、平均音声レベルは、ＶＵメータ（図示せず）から読み取った値である。ＶＵメータの電気的特性により、応答速度が３００ｍｓで、３００ｍｓ以上の継続する信号が入った時に、正確なレベルを指示する。この場合ＶＵメータは、入力信号の平均値をＶＵ値(Volume Unit：音量単位)として示すことができる。
【００７１】
図１１のＡ２〜Ｃ２の区間において、ＡＭ放送とＦＭ放送とは同一の放送内容(ニュース番組)であるが、ＡＭ放送の送出において障害が起きた事を想定し、Ｂ２の区間ではＡＭ放送に定常ノイズを混入させ、Ｃ２の区間ではＡＭ放送にパルスノイズを混入させた。また、Ｄ２の区間では、ＡＭ放送をホワイトノイズとした。また、Ｅ２の区間ではＡＭ放送とＦＭ放送とを異なる内容（ＡＭ放送ではマラソン中継、ＦＭ放送ではトーク番組）とした。
【００７２】
図１１に示すように、破線で示した「周波数スペクトル」、及び、実線で示した「スペクトル包絡＋高域通過フィルタ＋ＭＥＬ尺度」の両方の場合において、Ｂ２（ＡＭ放送に定常ノイズが混入した場合）、Ｃ２（ＡＭ放送にパルスノイズが混入した場合）、Ｄ２（第１の音声信号が定常ノイズである場合）、Ｅ２（第１の音声信号と第２の音声信号の内容が異なる場合）の区間で波形の差異の値が大きくなり、異常を検知した事が分かる。すなわち、音声比較装置１（破線で示した「周波数スペクトル」を参照）、及び、音声比較装置１Ｂ（実線で示した「スペクトル包絡＋高域通過フィルタ＋ＭＥＬ尺度」を参照）の両方の場合において、異常を適切に検知できたことが分かる。
【符号の説明】
【００７３】
１，１Ａ，１Ｂ 音声比較装置
１０１ 同期手段
１０２ａ，１０２ｂ フレーム取得手段
１０３ａ，１０３ｂ 周波数変換手段
１０４ａ，１０４ｂ 正規化手段
１０５ 距離算出手段
１０６ 比較手段
１０７ａ，１０７ｂ スペクトル包絡変換手段
１０８ａ，１０８ｂ 高域通過フィルタ手段
１０９ａ，１０９ｂ メル尺度変換手段
２ インタフェース装置
２０１ａ，２０１ｂ Ａ／Ｄ変換器
３ 表示装置
【技術分野】
【０００１】
本発明は、２つの音声信号を比較して同一素材であるか否かを判定する、音声比較装置及び音声比較プログラムに関する。
【背景技術】
【０００２】
放送局においては、放送を安定して送出するために様々な監視装置が用いられている。放送局では、例えば、「電波の停波」、「音声無変調」、「ネット局からの回線の切断」、「逆相」などの異常がないかを監視することにより、放送の安定性を担保している。しかしながら、同一の放送内容（同一の素材）を様々な変調方式により変調して送出した場合に、各放送信号が誤りなく送出されているか否かは、受信機が受信した放送信号を人間が実際に視聴することにより行われていた。
【０００３】
特許文献１には、同じ番組をアナログ放送とデジタル放送で同時に放送する「サイマル放送」について、各放送信号が誤りなく送出されているか否かを監視する手法が提案されている。
特許文献１には、監視担当者が、スピーカから出力されるアナログ放送の音声信号とデジタル放送の音声信号とのいずれか一方を聞きながら、放送信号監視装置が音声の不一致を通知するか否かを監視することにより、両方の音声信号が正常（同一内容）であるかを監視する技術について記載されている。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２００５−３４０９３５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に記載の技術では音声信号の比較を時間軸で行っているため、一方の音声信号に対する他方の音声信号の遅延時間の算出精度が、ノイズなどの影響により落ちてしまう可能性がある。また、異なる変調方式で変調すると音質が変わる場合があり、正しい検知結果を出力できなくなる可能性がある。
つまり、特許文献１に記載の技術では、同じ内容（同一素材）の音声信号であっても変調方式が異なる場合には音質が変わり、同一素材であるか否かを適切に判定できない場合がある。
【０００６】
そこで、本発明は、異なる変調方式で変調した場合の復調信号である２つの音声信号の素材の同一性を適切に判定することができる音声比較装置等を提供することを課題とする。
【課題を解決するための手段】
【０００７】
本発明は、前記目的を達成するために創案されたものであり、請求項１に係る音声比較装置は、異なる変調方式で変調した場合の復調信号である第１の音声信号と第２の音声信号とが同一素材であるか否かを判定する音声比較装置であって、同期手段と、フレーム取得手段と、周波数変換手段と、正規化手段と、距離算出手段と、比較手段と、を備える構成とした。
かかる構成において、音声比較装置は同期手段によって、第１の音声信号と第２の音声信号との相互相関関数が最大となる時間差を検出して、当該時間差に従って第１の音声信号と第２の音声信号とを同期させる。これによって、音声比較装置に第１の音声信号が到達する時刻と、音声比較装置に第２の音声信号が到達する時刻との間に時間差が生じた場合でも、同期手段によって同期させることができる。
そして、音声比較装置はフレーム取得手段によって、第１の音声信号及び第２の音声信号のそれぞれに対して所定の時間幅の窓関数を乗じて、当該時間幅に対応するフレームを取得する。これによって、音声比較装置は、窓関数を用いて音声信号の波形をその定常性が確認できる程度の短い時間に分割することができる。
【０００８】
そして、音声比較装置は周波数変換手段によって、フレーム取得手段により所定の時間幅に対応するフレームとして入力された第１の音声信号及び第２の音声信号のそれぞれを、フーリエ変換により周波数領域に変換する。これによって、音声比較装置は、フレーム取得手段によりフレームとして入力された第１の音声信号及び第２の音声信号を、時間領域から周波数領域に変換することができる。
そして、音声比較装置は正規化手段によって、周波数変換手段により周波数領域に変換して入力された第１の音声信号と第２の音声信号のそれぞれに対して正規化処理を行う。これによって、音声比較装置は、基準となる音声レベルが入力の時点でずれている場合でも各音声信号の波形を正規化することにより音声信号の大きさのばらつきをなくし、誤判定を防止することができる。
そして、音声比較装置は距離算出手段によって、正規化手段により正規化された第１の音声信号と第２の音声信号との距離を算出する。さらに、音声比較装置は比較手段によって、距離算出手段の算出値である距離の値が、所定の基準値以上であるか否かを判断して、その結果を出力する。これによって、音声比較装置は、第１の音声信号と第２の音声信号のそれぞれの周波数スペクトルの差分である距離の値が所定の基準値以上であるか否かによって、第１の音声信号と第２の音声信号とが同一素材であるか否かを適切に判断することができる。
【０００９】
また、請求項２に記載の音声比較装置は、請求項１に記載の音声比較装置において、さらに、スペクトル包絡手段を備える構成とした。かかる構成において音声比較装置は、スペクトル包絡変換手段によって、周波数変換手段により周波数領域に変換して入力された第１の音声信号及び第２の音声信号のそれぞれをスペクトル包絡に変換する。そして、正規化手段は、スペクトル包絡変換手段によりスペクトル包絡に変換して入力された第１の音声信号と第２の音声信号のそれぞれに対して、正規化処理を行う。
これによって、音声比較装置は、音声信号の特徴を判断する上で有効なスペクトル包絡を比較することで、検出精度の信頼性を高めることができる。
【００１０】
また、請求項３に記載の音声比較装置は、請求項２に記載の音声比較装置において、さらに、高域通過フィルタ手段を備える構成とした。かかる構成において音声比較装置は、高域通過フィルタ手段によって、スペクトル包絡変換手段によりスペクトル包絡に変換して入力された第１の音声信号と第２の音声信号のそれぞれについて、所定の周波数より低い周波数帯域の信号を除去することにより、当該所定の周波数以上の周波数帯域の信号を取り出す処理を行う。そして、正規化手段は、高域通過フィルタ手段により所定の周波数以上の周波数帯域の信号を取り出す処理をして入力された第１の音声信号及び第２の音声信号のそれぞれに対して正規化処理を行う。
これによって、音声比較装置は、高域通過フィルタ手段により第１の音声信号及び第２の音声信号に対して周波数の高い領域を強調する処理を行い、人間の聴覚特性により近い周波数特性に変換することができる。
【００１１】
また、請求項４に記載の音声比較装置は、請求項３に記載の音声比較装置において、さらに、メル尺度変換手段を備える構成とした。かかる構成において音声比較装置は、メル尺度変換手段によって、高域通過フィルタ手段により所定の周波数以上の周波数帯域の信号を取り出す処理をして入力された第１の音声信号と第２の音声信号のそれぞれに対して、メル尺度を用いて人間の聴覚感度特性に対応する周波数上の重み付けを行う。そして、正規化手段は、メル尺度変換手段により周波数上の重み付けをして入力された第１の音声信号及び第２の音声信号のそれぞれに対して、正規化処理を行う。
これによって、音声比較装置は、メル尺度変換手段により人間の聴覚特性に近い形で第１の音声信号及び第２の音声信号を抽出することができる。
【００１２】
また、請求項５に記載の音声比較装置は、請求項１から請求項４のいずれか一項に記載の音声比較装置において、距離算出手段は、所定のサンプル周波数における第１の音声信号と第２の音声信号との差の絶対値の二乗を算出し、さらに各サンプル周波数において算出された差の絶対値の二乗の和の平方根を距離として算出する。これによって、音声比較装置は、第１の音声信号と第２の音声信号とを周波数領域で比較して、その距離を算出することで、検出精度の信頼性を高めることができる。
【００１３】
また、請求項６に記載の音声比較装置は、請求項４又は請求項５に記載の音声比較装置において、メル尺度変換手段で用いられるメル尺度関数は、音声信号の周波数をｆとすると、Mel(f)=2595log10(1+f/700)で表されることとした。これによって、音声比較装置は、人間の聴覚特性に近い形で第１の音声信号及び第２の音声信号を抽出することができる。
【００１４】
また、請求項７に記載のプログラムは、異なる変調方式で変調した場合の復調信号である第１の音声信号と第２の音声信号とが同一素材であるか否かを判定するために、コンピュータを、同期手段、フレーム取得手段、周波数変換手段、正規化手段、距離算出手段、比較手段として機能させるためのものである。
かかる構成において、音声比較プログラムは、コンピュータを同期手段として機能させることによって、第１の音声信号と第２の音声信号との相互相関関数が最大となる時間差を検出して、当該時間差に従って第１の音声信号と第２の音声信号とを同期させる。
そして、音声比較プログラムは、コンピュータをフレーム取得手段として機能させるによって、同期手段により同期された第１の音声信号と第２の音声信号のそれぞれに対して所定の時間幅の窓関数を乗じて、当該時間幅に対応するフレームを取得する。
そして、音声比較プログラムは、コンピュータを周波数変換手段として機能させることによって、フレーム取得手段により所定の時間幅に対応するフレームとして入力された第１の音声信号及び第２の音声信号のそれぞれを、フーリエ変換により周波数領域に変換する。
【００１５】
そして、音声比較プログラムは、コンピュータを正規化手段として機能させることによって、周波数変換手段により周波数領域に変換して入力された第１の音声信号と第２の音声信号のそれぞれに対して正規化処理を行う。
そして、音声比較プログラムは、コンピュータを距離算出手段として機能させることによって、正規化手段により正規化された第１の音声信号と第２の音声信号との距離を算出する。
さらに、音声比較プログラムは、コンピュータを比較手段として機能させることによって、距離算出手段の算出値である距離の値が、所定の基準値以上であるか否かを判断して、その結果を出力する。
これによって、音声比較プログラムは、第１の音声信号と第２の音声信号との周波数領域における距離の値が所定の基準値以上であるか否かによって、第１の音声信号と第２の音声信号とが同一素材であるか否かを適切にコンピュータに判断させることができる。
【発明の効果】
【００１６】
本発明によれば、異なる変調方式で変調した場合の復調信号である２つの音声信号の素材の同一性を適切に判定することができる音声比較装置等を提供することができる。
【図面の簡単な説明】
【００１７】
【図１】本発明の第１実施形態に係る音声比較装置、インタフェース装置、表示装置の概略構成図である。
【図２】音声比較装置、インタフェース装置、表示装置のブロック構成図である。
【図３】音声比較装置が備える同期手段のブロック構成図である。
【図４】同期手段によって、第１の音声信号に対する第２の音声信号の相対的遅延時間を決定する処理についての説明図であり、（ａ）は第１の音声信号の波形を示し、（ｂ）は第２の音声信号の波形を示す。
【図５】音声比較装置の一連の処理の流れを示すフローチャートである。
【図６】本発明の第２実施形態に係る音声比較装置、インタフェース装置、表示装置のブロック構成図である。
【図７】音声比較装置の一連の処理の流れを示すフローチャートである。
【図８】本発明の第３実施形態に係る音声比較装置、インタフェース装置、表示装置のブロック構成図である。
【図９】音声比較装置の一連の処理の流れを示すフローチャートである。
【図１０】本発明の第１実施形態に係る音声比較装置を用いた場合と、本発明の第３実施形態に係る音声比較装置を用いた場合と、において１２ＳＥＧ放送と１ＳＥＧ放送を比較した実験データを示す図である。
【図１１】本発明の第１実施形態に係る音声比較装置を用いた場合と、本発明の第３実施形態に係る音声比較装置を用いた場合と、においてＡＭ放送とＦＭ放送を比較した実験データを示す図である。
【発明を実施するための形態】
【００１８】
本発明の実施形態について、適宜図面を参照しながら詳細に説明する。なお、各図において、共通する部分には同一の符号を付し、重複した説明を省略する。
【００１９】
≪第１実施形態≫
本実施形態に係る音声比較装置１は、異なる変調方式で変調された場合の復調信号である第１の音声信号と第２の音声信号が同一素材(同一内容)であるか否かを判定する装置である。第１の音声信号及び第２の音声信号は、例えば、所定の放送番組が放送局（図示せず）で互いに異なる変調方式（例えば、ＡＭ変調，ＦＭ変調）に従って変調され、放送局から電波として送信された各信号が受信機（図示せず）によって受信され、さらに復調された音声信号である。
【００２０】
音声比較装置１の各構成について説明する前に、音声比較装置１と接続される機器について説明する。
図１に示すように、インタフェース装置２は、音声比較装置１の入力側に接続されている。インタフェース装置２は、異なる変調方式で変調された場合の復調信号である第１の音声信号及び第２の音声信号を、所定のサンプリング周波数に従ってＡ／Ｄ変換する装置である。インタフェース装置２は、Ａ／Ｄ変換器２０１ａと、Ａ／Ｄ変換器２０１ｂとを備える。Ａ／Ｄ変換器２０１ａはアナログ信号として入力された第１の音声信号に対して所定のサンプリング周波数でデジタル信号に変換し、音声比較装置１に出力する。同様に、Ａ／Ｄ変換器２０１ｂは、アナログ信号として入力された第２の音声信号に対してＡ／Ｄ変換を行い、デジタル信号として音声比較装置１に出力する。
【００２１】
なお、第１の音声信号は、例えば、放送局において所定の放送信号が１セグメント放送（以下、１ＳＥＧ放送と称する。）に対応して変調して送信され、さらに当該信号が図示しない復調器で復調された音声信号である。また、第２の音声信号は、例えば、放送局において所定の放送信号が１２セグメント放送（以下、１２ＳＥＧと称する。）に対応して変調して送信され、さらに当該信号が図示しない復調器で復調された音声信号である。
ちなみに、地上デジタル放送では、１つのチャンネルが１３の周波数帯域（セグメント）に分割されており、このうち１セグメントの周波数帯域を利用して変調する場合が「１ＳＥＧ放送」であり、１２セグメントの周波数帯域を利用して変調する場合が「１２ＳＥＧ放送」である。
また、第１の音声信号及び第２の音声信号としては、上記で説明したように、１ＳＥＧ放送や１２ＳＥＧ放送を復調した音声信号に限らない。すなわち、異なる変調方式で変調された場合の復調信号であれば、音声比較装置１は、様々な変調方式及び復調方式に対応可能である。例えば、第１の音声信号をＡＭ（Amplitude Modulation）放送が復調された音声信号とし、第２の音声信号をＦＭ(Frequency Modulation)放送が復調された音声信号としてもよい。
【００２２】
図１に示すように、復調信号である第１の音声信号と第２の音声信号は、インタフェース装置２にリアルタイムで入力し、それぞれＡ／Ｄ変換されて音声比較装置１に出力される。
また、第１の音声信号及び第２の音声信号のうち、いずれか一方は他方に対して所定時間だけ遅れてインタフェース装置２に到達する。遅延の原因として、放送局から放送信号を送信する際のエンコード及び図示しない受信機で処理されるデコードに伴う遅延がある。例えば、一方の音声信号は、他方の音声信号に対して１．７ｓｅｃ程度遅れてインタフェース装置２に到達する。
【００２３】
表示装置３は、音声比較装置１の出力側に接続されている。表示装置３は、音声比較装置１が第１の音声信号と第２の音声信号とを比較した場合の判定結果を表示することにより、監視者に正常又は異常を知らせる。すなわち表示装置３は、音声比較装置１が第１の音声信号と第２の音声信号とが同一素材(同一内容)であると判定した場合には、「異常なし」に相当する表示をする。一方、表示装置３は、音声比較装置１が、第１の音声信号と第２の音声信号とが互いに異なる素材（同一の内容ではない）であると判定した場合には、「異常あり」に相当する表示をする。
【００２４】
次に、本実施形態に係る音声比較装置１について説明する。図２に示すように、音声比較装置１は、同期手段１０１と、フレーム取得手段１０２ａ，１０２ｂと、周波数変換手段１０３ａ，１０３ｂと、正規化手段１０４ａ，１０４ｂと、距離算出手段１０５と、比較手段１０６と、を備える。
同期手段１０１は、第１の音声信号と第２の音声信号のそれぞれに対して所定時間分の波形を切り出し、切り出した各波形について相互相関関数を求め、相互相関関数が最大となる場合の相対的遅延時間を求める。ここで相対的遅延時間とは、第１の音声信号が音声比較装置１に到達する時刻と、第２の音声信号が音声比較装置１に到達する時刻との差で表される。例えば、第１の音声信号に対して第２の音声信号が所定時間ｔだけ遅れて到達する場合の遅延時間を「ｔ」とすると、その逆の場合（第１の音声信号に対して第２の音声信号が所定時間だけ早く到達する場合）の遅延時間は「−ｔ」と表される。
相互相関関数の値は、２つの関数の類似性が高いほど大きな値をとるため、相対的遅延時間は相互相関関数の値が最大となる場合での各波形の時間差として求められる。なお、相対的遅延時間の導出の詳細については、後記する。
【００２５】
図３に示すように、同期手段１０１は、記憶部１０１１ａ，１０１１ｂと、音声信号切出し部１０１２ａ，１０１２ｂと、相互相関関数算出部１０１３と、相互相関関数記憶部１０１４と、相互相関関数比較部１０１５と、音声信号読出部１０１６と、を備える。
記憶部１０１１ａは、インタフェース装置２のＡ／Ｄ変換器２０１ａによってデジタル信号に変換された第１の音声信号を一時的に記憶するバッファとして機能する。同様に、記憶部１０１１ｂは、インタフェース装置２のＡ／Ｄ変換器２０１ｂによってデジタル信号に変換された第２の音声信号を一時的に記憶するバッファとして機能する。
【００２６】
音声信号切出し部１０１２ａは、Ａ／Ｄ変換器２０１ａでデジタル信号に変換された第１の音声信号を記憶部１０１１ａから読み出し、所定時間分の波形を切り出して相互相関関数算出部１０１３に出力する。例えば、図４（ａ）に示すように、音声信号切出し部１０１２ａは、第１の音声信号からｔ１〜ｔ２までの時間幅の波形を切り出す。
なお、上記の時間幅（ｔ２−ｔ１）は、予め定められた値である。ｔ１〜ｔ２の時間幅の波形は、ｔ１〜ｔ２における値が１であり、それ以外の時間における値が０である関数を第１の音声信号に乗算することにより取得することができる。
同様に、音声信号切出し部１０１２ｂは、Ａ／Ｄ変換器２０１ｂでデジタル信号に変換された第２の音声信号を記憶部１０１１ｂから読み出し、所定時間分の波形を切り出して取得し、相互相関関数算出部１０１３に出力する。図４（ｂ）に示すように、音声信号切出し部１０１２ｂは、まず、上記の音声信号切出し部１０１２ａが取得した波形の時間と同一の時間（上記の例では、ｔ１〜ｔ２）の波形を切り出して取得し、相互相関関数算出部１０１３に出力する。
【００２７】
さらに、音声信号切出し部１０１２ｂは、音声信号切出し部１０１２ａが取得した波形の時間（ｔ１〜ｔ２）からｔ０だけ進んだ時間（ｔ１＋ｔ０〜ｔ２＋ｔ０）における第２の音声信号の波形を取得して、相互相関関数算出部１０１３に出力する。なお、ｔ０は予め定められた時間である。
同様にして、音声信号切出し部１０１２ｂは、（ｔ１＋２ｔ０〜ｔ２＋２ｔ０：図４参照）、（ｔ１−ｔ０〜ｔ２−ｔ０：図示せず）、（ｔ１−２ｔ０〜ｔ２−２ｔ０：図示せず）のように、時間（ｔ１〜ｔ２）から正又は負方向にｔ０ずつシフトさせた時間における第２の音声信号を切り出して相互相関関数算出部１０１３に出力する。なお、第２の音声信号から所定時間分だけ切り出して取得されるデータの個数（上記では、５個）は、予め設定されているものとする。
【００２８】
相互相関関数算出部１０１３は、音声信号切出し部１０１２ａで取得された所定時間ｔ１〜ｔ２の音声信号と、１０１２ｂから取得された時間幅（ｔ２−ｔ１）である複数の(上記では、５個)の音声信号との相互相関関数を逐次算出して、相互相関関数記憶部１０１４に出力する。
例えば、相互相関関数は、ｔ１〜ｔ２（図４参照）における第１の音声信号とｔ１＋ｔ０〜ｔ２＋ｔ０（図４参照）における第２の音声信号との相互相関関数を算出して、相互相関関数記憶部１０１４に出力する。相互相関関数記憶部１０１４は、相互相関関数算出部１０１３で算出された複数の相互相関関数を記憶する。
相互相関関数比較部１０１５は、相互相関関数記憶部１０１４に記憶された相互相関関数の値を読み出して順次比較し、相互相関関数算出部１０１３で算出した相互相関関数の値が最大になる場合での相対的遅延時間ｎ＊ｔ０（ｎは整数）を音声信号読出部１０１６に出力する。
【００２９】
例えば、図４において第２の音声信号の波形（図４（ｂ）参照）は、第１の音声信号の波形（図４（ａ）参照）よりも時間ｔ０だけ進んでいる。この場合、相互相関関数算出部１０１３で算出される複数の相互相関関数のうち、ｔ１〜ｔ２の範囲での第１の音声信号と、ｔ１＋ｔ０〜ｔ２＋ｔ０の範囲での第２の音声信号との相互相関関数が最大になる。
この場合、相互相関関数比較部１０１５は、第１の音声信号に対する第２の音声信号の相対的遅延時間である「−ｔ０」を音声信号読出部１０１６に出力する。なお、上記のマイナスの符号は、第１の音声信号に対して第２の音声信号が時間ｔ０だけ進んでいる（−ｔ０だけ遅れている）ことを表す。
音声信号読出部１０１６は、相互相関関数比較部１０１５から出力された相対的遅延時間に従って、各音声信号が同期するように読み出し処理を行う。上記の例では、音声信号読出部１０１６は、同期手段１０１に入力したタイミングを基準として、第２の音声信号を第１の音声信号より時間ｔ０だけ遅らせて記憶部１０１１ａ，１０１１ｂから読み出し、フレーム取得手段１０２ａ，１０２ｂに出力する。
以上のような処理によって、同期手段１０１は第１の音声信号と第２の音声信号とを同期させることができる。
【００３０】
再び図２に戻って、音声比較装置１について説明を続ける。なお、重複した説明を避けるため、フレーム取得手段１０２ａ，１０２ｂ、周波数変換手段１０３ａ，１０３ｂ、正規化手段１０４ａ，１０４ｂについては、第１の音声信号を処理する場合のみ説明し、第２の音声信号を処理する場合については第１の音声信号の処理と同様になるので、説明を省略する。
フレーム取得手段１０２ａは、同期手段１０１から出力された第１の音声信号から所定の窓関数を用いてフレームを切り取る。ここで「フレーム」とは、窓関数によって切り出された部分の音声信号を指す。
音声は、その統計的性質が時間とともに変化するが、十分に短い期間内では定常性を仮定できると考えられている。したがって、音声信号の分析では、窓関数を用いて音声信号の波形をその定常性が確認できる程度の短い時間に分割する。窓関数として、例えば、方形窓、バーレット窓、ハニング窓、ハミング窓、ブラックマン窓などを用いることができる。本実施形態では、長さが１０〜１０００ｍｓｅｃの時間窓を、１０〜１０００ｍｓｅｃの間隔で順次シフトしながら分析を行う。
同期手段１０１により同期処理をして入力された第１の音声信号は、フレーム取得手段１０２ａによってフレームに切り取られ、周波数変換手段１０３ａに対して出力される。
【００３１】
周波数変換手段１０３ａは、高速フーリエ変換（Fast Fourier Transform :ＦＦＴ）を実行することにより、フレーム取得手段１０２ａによりフレームに切り取られた第１の音声信号を、時間領域から周波数領域に変換する。つまり、周波数変換手段１０３ａは、第１の音声信号に対して離散フーリエ変換を高速に実行することにより、時間領域の信号として入力された第１の音声信号を周波数スペクトルに変換する。
したがって、フレーム取得手段１０２ａによりフレームに切り取られて入力された第１の音声信号は、周波数変換手段１０３ａによって時間領域から周波数領域の音声信号に変換され、正規化処理手段１０４ａに対して出力される。
【００３２】
正規化手段１０４ａは、周波数変換手段１０３ａにより周波数領域に変換して入力された第１の音声信号に対して、正規化の処理を行う。具体的に正規化手段１０４ａは、スペクトルを表す関数Ｓ（ｆ）を、各サンプル周波数における値（強度）の和で除することにより正規化を行う。すなわち、正規化手段１０４ａは、以下の式（１）及び式（２）で表される正規化処理を実行する。
なお、Ｓ（ｆ）はスペクトルを表す関数、ｆは周波数、ｆｍｉｎは最小周波数、ｆｍａｘは最大周波数、Ｒは各サンプル周波数における値（強度）の和、Ｎ（ｆ）は正規化されたスペクトルである。
【数１】
【数２】
【００３３】
音声信号の音量が大きくなると、第１の音声信号及び第２の音声信号の波形も大きくなるため、周波数成分を比較する場合の誤差が大きくなる。本実施形態のように、周波数変換手段１０３ａの後段に正規化手段１０４ａを備えることによって、基準となる音声レベルが入力の時点でずれている場合でも各音声信号の波形を正規化することにより音声信号の大きさのばらつきをなくし、誤判定を防止することができる。
周波数変換手段１０３ａにより周波数領域に変換して入力された第１の音声信号は、正規化手段１０４ａによって正規化処理され、距離算出手段１０５に対して出力される。
【００３４】
距離算出手段１０５は、正規化手段１０４ａにより正規化して入力された第１の音声信号と、正規化手段１０４ｂにより正規化して入力された第２の音声信号との距離(ノルム)を算出する。すなわち、距離算出手段１０５は、正規化手段１０４ａから入力された第１の音声信号と正規化手段１０４ｂから入力された第２の音声信号について、サンプル周波数ごとの強度差の絶対値を算出し、さらに、算出した各サンプル周波数における強度差の絶対値から距離（ノルム）を算出して、比較手段１０６に対して出力する。
第１の音声信号のスペクトルをＳ（ｆ）とし、第２の音声信号のスペクトルをＴ（ｆ）とすると、以下の（式３）及び（式４）のようになる。
【数３】
【００３５】
したがって、第１の音声信号と第２の音声信号との距離であるノルム‖Ｓ(ｆ)−Ｔ(ｆ)‖は、以下の式（５）のようになる。
【数４】
【００３６】
比較手段１０６は、距離算出手段１０５により算出された距離(ノルム‖Ｓ(ｆ)−Ｔ(ｆ)‖)が、予め定められた所定の値以上であるか否か判断し、その結果を表示装置３に対して出力する。
距離算出手段１０５により算出された距離が、予め定められた所定の値以上であった場合には、第１の音声信号と第２の音声信号とは異なる内容であると考えられる。したがって、この場合、比較手段１０６は、「異常あり」に対応する信号を表示装置３に対して出力する。また、距離算出手段１０５により算出された距離が、予め定められた所定の値より小さい場合には、第１の音声信号と第２の音声信号とは同一の内容であると考えられる。したがって、この場合比較手段１０６は、「異常なし」に対応する信号を表示装置３に対して出力する。
なお、比較手段１０７は、予め定められた所定時間(例えば、１０秒)内に算出されたスペクトル包絡間の距離の合計値を算出し、当該合計値が予め定められた所定値以上であるか否かを判断することとしてもよい。
【００３７】
図５は、本実施形態に係る音声比較装置１の一連の処理の流れを示すフローチャートである。なお、重複した説明を避けるため、ステップＳ２０〜Ｓ４０は第１の音声信号についてのみ説明する。
図５のステップＳ１０で音声比較装置１は、同期手段１０１によって、入力された第１の音声信号と第２の音声信号とが同期するように、同期処理を行う。すなわち、同期手段１０１は、第１の音声信号と第２の音声信号との相互相関関数が最大となる場合の相対的遅延時間を求め、この相対的遅延時間に従って一方を他方に遅らせて出力することにより、同期処理を行う。
ステップＳ２０で音声比較装置１は、フレーム取得手段１０２ａによって、同期手段１０１から入力された第１の音声信号から所定の窓関数を用いてフレームを切り取る。ステップＳ３０で音声比較装置１は、周波数変換手段１０３ａによって、フレーム取得手段１０２ａから入力された第１の音声信号に対してフーリエ変換を高速に実行することにより、時間領域の信号として入力された第１の音声信号を周波数スペクトルに変換する。ステップＳ４０で音声比較装置１は、正規化手段１０４ａによって、周波数変換手段１０３ａから入力された第１の音声信号に対して、正規化の処理を行う。
【００３８】
ステップＳ５０で音声比較装置１は、距離算出手段１０５によって、正規化手段１０４ａから入力された第一の音声信号と、正規化手段１０４ｂから入力された第２の音声信号との距離(ノルム)を算出する。ステップＳ６０で音声比較装置１は、比較手段１０６によって、距離算出手段１０５により算出された距離（ノルム）が予め定められた所定の値以上であるか否か判断する。ステップＳ６０で、距離算出手段１０５により算出された距離（ノルム）が、予め定められた所定の値以上であった場合（ステップＳ６０→Ｙｅｓ）、音声比較装置１は、比較手段１０６によって、表示部３に対して「異常あり」に対応する信号を出力する(ステップＳ７０)。また、ステップＳ６０で、距離算出手段１０５により算出された距離（ノルム）が、予め定められた所定の値より小さかった場合（ステップＳ６０→Ｎｏ）、音声比較装置１は、比較手段１０６によって、表示部３に対して「異常なし」に対応する信号を出力する（ステップＳ８０）。
【００３９】
本実施形態に係る音声比較装置１によれば、フレーム取得手段１０２ａ，１０２ｂが、所定の窓関数を用いて各音声信号の波形をその定常性が確認できる程度の短い時間で切り出して、さらに周波数変換手段１０３ａ，１０３ｂが周波数領域に変換する処理を行う。
したがって、同期手段１０１で算出した相対的遅延時間に誤差が生じた場合でも、定常性が確認できる程度の短い時間で切り出した音声信号の周波数特性の変動が小さいため、音声比較装置１の判定結果にはほとんど影響しない。
なお、第１の音声信号に対する第２の音声信号の相対的遅延時間が変動しないことが分かっている場合には、同期手段１０１が相対的遅延時間を算出する処理は、フレームごとに逐次行う必要はなく、音声比較装置１による比較処理を行う際に１度だけ行えばよい。
また、所定時間ごとに相対的遅延時間の算出を行うよう設定してもよい。
【００４０】
本実施形態に係る音質監視装置１は、同一の音質素材に対して異なる変調方式で変調を行った場合に、変調方式の違いに起因する音質の差が復調信号に現れても、各音声信号の周波数特性に着目し、その距離（ノルム）を所定値と比較することによって、正常であるか異常であるかを適切に検知することができる。
また、本実施形態に係る音質監視装置１は、周波数変換手段１０３ａから入力された第１の音声信号と、周波数変換手段１０３ｂから入力された第２の音声信号について、正規化手段１０４ａ，１０４ｂにより正規化する処理を行っている。これによって、基準となる音声レベルが入力の時点でずれている場合でも、各音声信号の波形を正規化することによって、音声信号の大きさのばらつきをなくし、誤判定を防止することができる。
したがって、本実施形態に係る音質監視装置１によれば、異なる変調方式で変調した場合の復調信号である第１の音声信号と第２の音声信号の素材の同一性を適切に判定することができる
【００４１】
≪第２実施形態≫
本実施形態に係る音声比較装置１Ａは、スペクトル包絡変換手段１０７ａ，１０７ｂを備える点が第１実施形態と異なるが、他の点は第１実施形態の場合と同様である。したがって、当該異なる点について主に説明し、第１実施形態と共通する点についてはその説明を省略する。また、以下の説明では、第１の音声信号に対する処理を中心に説明し、第２の音声信号に対する処理については、第１の音声信号に対する処理と同様であるので、その説明を省略する。
【００４２】
図６に示すように、本実施形態に係る音声比較装置１Ａは、周波数変換手段１０３ａと正規化手段１０４ａとの間にスペクトル包絡変換手段１０７ａが挿入されている
なお、図６に示す同期手段１０１、フレーム取得手段１０２ａ，１０２ｂ、周波数変換手段１０３ａ，１０３ｂによる処理は、第１実施形態（図２参照）で説明した処理と同様である。
スペクトル包絡変換手段１０７ａは、周波数変換手段１０３ａにより周波数領域に変換して入力された第１の音声信号をスペクトル包絡に変換する。スペクトル包絡を得るための手法としては、線形予測分析（linear predictive coding：ＬＰＣ）が有効である。線形予測分析は、過去の出力と現在の入力を用いてワンステップ先である現在の出力を予測するために、線形結合における各々の係数（ＬＰＣ係数ベクトル）を求める手法である。
具体的には、スペクトル包絡変換手段１０７ａは線形予測分析を用いて、音声信号の各サンプリング値をいくつかの過去のサンプリング値の線形結合で表し、予測される最小誤りの二乗平均値に基づいて個々の重み付け係数を求める。ちなみに、予測される誤りは、実際のサンプリング値と予測値との差によって求められる。
すなわち、スペクトル包絡変換手段１０７ａは、線形予測分析を用いて第１の音声信号のパラメータ（フォルマント等）を推定してスペクトル包絡に変換し、正規化手段１０４ａに出力する。
【００４３】
そして、正規化手段１０４ａは、スペクトル包絡変換手段１０７ａから入力された第１の音声信号に対応する第１のスペクトル包絡に対して、正規化の処理を行う。具体的に正規化手段１０４ａは、上記で説明したように、スペクトルを表す関数Ｓ（ｆ）を、スペクトル包絡の各サンプル周波数における値（強度）の和で除することにより正規化を行う。
そして、距離算出手段１０５は、正規化手段１０４ａにより正規化して入力された第１の音声信号（第１のスペクトル包絡）と、正規化手段１０４ｂにより正規化して入力された第２の音声信号（第２のスペクトル包絡）との距離(ノルム)を算出する。
さらに、比較手段１０６は、距離算出手段１０５により算出された距離(ノルム‖Ｓ(ｆ)−Ｔ(ｆ)‖)が、予め定められた所定の値以上であるか否か判断し、その結果を表示装置３に対して出力する。
【００４４】
図７は、本実施形態に係る音声比較装置１Ａの一連の処理の流れを示すフローチャートである。図７に示すステップＳ１０〜Ｓ３０は、図５で説明したステップＳ１０〜Ｓ３０と同様であるから、説明を省略する。
図７のステップＳ３１で音声比較装置１Ａは、スペクトル包絡変換手段１０５ａによって、周波数変換手段１０４ａから入力された第１の音声信号をスペクトル包絡に変換する。そして、ステップＳ４０で音声比較装置１Ａは、正規化手段１０４ａによって、スペクトル包絡変換手段１０５ａから入力された第１の音声信号（第１のスペクトル包絡）に対して、正規化の処理を行う。ステップＳ５０で音声比較装置１Ａは、距離算出手段１０５によって、正規化手段１０４ａから入力された第１の音声信号（第１のスペクトル包絡）と、正規化手段１０４ｂから入力された第２の音声信号（第２のスペクトル包絡）との距離(ノルム)を算出する。なお、ステップＳ６０〜Ｓ８０は、図５で説明したステップＳ６０〜Ｓ８０と同様であるから、説明を省略する。
【００４５】
本実施形態に係る音声比較装置１Ａは、スペクトル包絡変換手段１０７ａ，１０７ｂが線形予測分析を用いて各音声信号のスペクトル包絡を出力し、さらに正規化手段１０４ａ，１０４ｂによって正規化処理を行った上で、距離算出手段１０５が２つのスペクトル包絡間の距離（ノルム）を算出する。各音声信号に対して周波数変換のみを行った場合には、音声信号の特徴を判別する上で必要の無い情報も含まれている可能性があるが、本実施形態に係る音声比較装置１Ａは、上記のように音声信号の特徴を判断する上で有効なスペクトル包絡を比較することによって、検出精度の信頼性を高めることができる。
すなわち、本実施形態に係る音質監視装置１Ａは、同一の音質素材に対して異なる変調方式で変調を行って復調した場合に、変調方式の違いに起因する音質の差が各音声信号に現れても、音源の「音の特徴」であるスペクトル包絡に焦点を絞った比較を行う事によって、各音声信号について素材の同一性を適切に判定することができる。
【００４６】
≪第３実施形態≫
本実施形態に係る音声比較装置１Ｂは、高域通過フィルタ手段１０８ａ，１０８ｂと、メル尺度変換手段１０９ａ，１０９ｂとを備える点が第２実施形態と異なるが、他の点は第２実施形態の場合と同様である。したがって、当該異なる点について主に説明し、第２実施形態と共通する点についてはその説明を省略する。また、第１の音声信号に対する処理を中心に説明し、第２の音声信号に対する処理については、第１の音声信号に対する処理と同様であるので、その説明を省略する。
【００４７】
図８に示すように、本実施形態に係る音声比較装置１Ｂは、スペクトル包絡変換手段１０７ａと正規化手段１０４ａとの間に高域通過フィルタ手段１０８ａと、メル尺度変換手段１０９ａとが挿入されている。
なお、図８に示す同期手段１０１、フレーム取得手段１０２ａ，１０２ｂ、周波数変換手段１０３ａ，１０３ｂによる処理は、第１実施形態（図２参照）で説明した処理と同様である。また、図８に示すスペクトル包絡変換手段１０７ａ，１０７ｂによる処理は、第２実施形態（図６参照）で説明した処理と同様である。
【００４８】
高域通過フィルタ手段１０８ａは、スペクトル包絡変換手段１０７ａによりスペクトル包絡に変換して入力された第１の音声信号（第１のスペクトル包絡）について、所定の周波数より低い周波数帯域の信号を除去することにより、上記所定の周波数以上の周波数帯域の信号を取り出す処理を行う。
人間が感じる音の大きさは同じ音圧レベルでも周波数によって変わることが知られており、人間の感じる音の大きさは「等ラウドネス曲線（フレッチャー・マンソン曲線）」で表される。本実施形態に係る音声比較装置１Ｂは、上記の等ラウドネス曲線の特性を、周波数の高い領域を強調する処理を行う高域通過フィルタ手段１０８ａによって近似する。高域通過フィルタ手段１０８ａとして、例えば、ＦＩＲフィルタ（finite impulse response filter）を使用することができる。
【００４９】
高域通過フィルタ手段１０８ａは、所定の基準となる周波数以上の高い周波数帯域の音声信号を取り出し、低い周波数成分を除去するという特性を有する。なお、上記の基準となる周波数は、予め定めされた周波数である。
高域通過フィルタ手段１０８ａとして有効なＦＩＲフィルタの特性は、インパルス応答のＺ変換を行った場合の伝達関数Ｈ（ｚ）で表され、以下の式（６）のようになる。ＦＩＲフィルタは、フィードバックを必要とせず安定性があること、線形位相情報を保つことなどの特長がある。
【数５】
【００５０】
スペクトル包絡変換手段１０７ａによりスペクトル包絡に変換して入力された第１の音声信号は、高域通過フィルタ手段１０８ａにより高い周波数帯域の音声信号が取り出され、メル尺度変換手段１０９ａに対して出力される。
【００５１】
メル尺度変換手段１０９ａは、高域通過フィルタ手段１０８ａにより所定の周波数以上の周波数帯域の信号を取り出す処理を行って入力された第１の音声信号に対し、メル尺度関数を用いて人間の聴覚感度特性に対応する周波数上の重み付けを行う。ここでメル尺度関数は、下記の式（７）で表される。なお、ｆ[Ｈｚ]は音声信号の周波数を表す。
【数６】
【００５２】
メル尺度は、人間が感じる音の高さを表す尺度であり、特に、低域の周波数分解能を向上させた音声認識手法である。したがって、メル尺度変換手段１０９ａにより、人間の聴覚特性に近い形で第１の音声信号を抽出することができる。メル尺度変換を行う手法として、例えば、ＭＦＣＣ法（Mel Frequency Cepstrum Coefficient）を用いることができる。ＭＦＣＣ法は、三角形状の周波数特性を有する帯域通過フィルタ（図示せず）の出力を逆フーリエ変換し、低ケフレンシー部分を抽出する処理を行うことにより実行される。
高域通過フィルタ手段１０８ａにより高い周波数帯域の音声信号を取り出して入力された第１の音声信号は、メル尺度変換手段１０９ａによりメル尺度に変換され、正規化手段１０４ａに対して出力される。
【００５３】
そして、正規化手段１０４ａは、メル尺度変換手段１０９ａから入力された第１の音声信号（第１のスペクトル包絡）に対して、正規化の処理を行う。具体的に正規化手段１０４ａは、上記で説明したように、スペクトルを表す関数Ｓ（ｆ）を、スペクトル包絡の各サンプル周波数における値（強度）の和で除することにより正規化を行う。
そして、距離算出手段１０５は、正規化手段１０４ａにより正規化して入力された第１の音声信号（第１のスペクトル包絡）と、正規化手段１０４ｂにより正規化して入力された第２の音声信号（第２のスペクトル包絡）との距離(ノルム)を算出する。
さらに、比較手段１０６は、距離算出手段１０５により算出された距離(ノルム‖Ｓ(ｆ)−Ｔ(ｆ)‖)が、予め定められた所定の値以上であるか否か判断し、その結果を表示装置３に対して出力する。
【００５４】
図９は、本実施形態に係る音声比較装置１Ｂの一連の処理の流れを示すフローチャートである。図９に示すステップＳ１０〜Ｓ３１は、図７で説明したステップＳ１０〜Ｓ３１と同様であるから、説明を省略する。
図９のステップＳ３２で音声比較装置１Ｂは、高域通過フィルタ手段１０８ａによって、スペクトル包絡変換手段１０７ａによりスペクトル包絡に変換して入力された第１の音声信号（第１のスペクトル包絡）について、所定の周波数より低い周波数帯域の信号を除去することにより、上記所定の周波数以上の周波数帯域の信号を取り出す。次に、ステップＳ３３で音声比較装置１Ｂは、メル尺度変換手段１０９ａによって、高域通過フィルタ手段１０８ａから入力された第１の音声信号（第１のスペクトル包絡）に対し、メル尺度関数を用いて人間の聴覚感度特性に対応する周波数上の重み付けを行う。そして、ステップＳ４０で音声比較装置１Ｂは正規化手段１０４ａによって、メル尺度変換手段１０９ａから入力された第１の音声信号（スペクトル包絡）に対して、正規化の処理を行う。ステップＳ５０で音声比較装置１Ｂは、距離算出手段１０５によって、正規化手段１０４ａから入力された第１の音声信号（第１のスペクトル包絡）と、正規化手段１０４ｂから入力された第２の音声信号（第２のスペクトル包絡）との距離(ノルム)を算出する。なお、ステップＳ６０〜Ｓ８０は、図５で説明したステップＳ６０〜Ｓ８０と同様であるから、説明を省略する。
【００５５】
本実施形態に係る音声比較装置１Ｂは、高域通過フィルタ手段１０８ａ，１０８ｂにより周波数の高い領域を強調することによって、人間の聴覚特性に近い周波数特性に変換する。さらに、音声比較装置１Ｂは、メル尺度変換手段１０９ａ，１０９ｂにより、人間の聴覚感度特性に対応する周波数上の重み付けを行うことによって、人間の聴覚特性により近い周波数特性に変換することができる。
すなわち、本実施形態に係る音質監視装置１Ｂは、同一の音質素材に対して異なる変調方式で変調を行って復調した場合に、変調方式の違いに起因する音質の差が各音声信号に現れても、人間の聴覚特性を取り入れ、さらに音源の「音の特徴」に焦点を絞った比較を行う事によって、各音声信号について素材の同一性を適切に判定することができる。
【００５６】
［音声比較プログラム］
前記した音声比較装置１，１Ａ，１Ｂは、一般的なコンピュータを、前記した各手段及び各部として機能させるプログラムにより動作させることで実現することができる。
【００５７】
以上、本発明に係る音声比較装置１，１Ａ，１Ｂについて、発明を実施するための形態により具体的に説明したが、本発明の趣旨はこれらの記載に限定されるものではなく、特許請求の範囲の記載に基づいて広く解釈されなければならない。また、これらの記載に基づいて種々変更、改変等したものも本発明の趣旨に含まれることはいうまでもない。
【００５８】
音声比較装置１，１Ａ，１Ｂでは、図４に示すように、ｔ１〜ｔ２の時間における第１の音声信号に対して、時間ｔ１〜ｔ２の範囲からｔ０ずつ正又は負方向に範囲をシフトして、各範囲での第２の音声信号を取得する場合について説明したが、これに限らない。
例えば、ｔ１〜ｔ２の時間における第２の音声信号を基準として、時間ｔ１〜ｔ２の範囲からｔ０ずつ正又は負方向に範囲をシフトして、各範囲での第１の音声信号を取得してもよい。また、例えば、第１の音声信号に対する第２の音声信号の相対的遅延時間について予め見当がついていれば（この場合の相対的遅延時間をｔ３とする）、当該相対的遅延時間ｔ３を中心として波形を切り出す範囲を正又は負方向に順次シフトさせて、それぞれの場合について相対的遅延時間を算出すればよい。
【００５９】
また、第１の音声信号に対する第２の音声信号の相対的遅延時間（この場合の相対的遅延時間をｔ４とする）が予め分かっている場合には、音声信号を所定時間分だけ順次ずらして切り出し、複数の相互相関関数を算出する処理を省略することができる。この場合には、音声信号読出部１０１６（図３参照）が相対的遅延時間ｔ４に従って第１の音声信号と第２の音声信号とを同期させ、フレーム取得手段１０２ａ，１０２ｂにそれぞれ出力すればよい。ちなみに、この場合には、既知の相対的遅延時間ｔ４を予め入力部（図示せず）を介して入力して記憶部（図示せず）に格納し、音声信号読出部１０１６が相対的遅延時間ｔ４を上記の記憶部から読み出して、第１の音声信号と第２の音声信号とを同期させればよい。
【００６０】
また、本発明に係る音声比較装置１，１Ａ，１Ｂでは、同期手段１０１（図３参照）が、記憶部１０１１ａ，１０１１ｂ、及び、相互相関関数記憶部１０１４を含む構成となっているが、これに限らない。すなわち、記憶部１０１１ａ，１０１１ｂ、及び、相互相関関数記憶部１０１４が音声比較装置１，１Ａ，１Ｂの外部に存在する構成としてもよい。
【００６１】
また、音声比較装置１，１Ａ，１Ｂの外部に、放送局（図示せず）から番組情報を受信して、第１の音声信号と第２の音声信号とが同じ番組に対応するものであるか否かを音声比較装置１，１Ａ，１Ｂに対して出力する番組情報受信装置（図示せず）を備えることとしてもよい。この場合には、番組情報受信装置から、第１の音声信号に対応する第１の放送と、第２の音声信号に対応する第２の放送とが同じであるか否かを示す信号が音声比較装置１の比較手段１０６（図２、図６、図８参照）に入力される。
【００６２】
上記の第１の放送と第２の放送とが同じ番組であることを示す信号が番組情報受信装置から入力された場合、比較手段１０６は、上記で説明した場合と同様の処理を行う。すなわち、比較手段１０６は、距離算出手段１０５により算出された距離（ノルム）の値が所定値より大きいか否かによって「正常」又は「異常」に対応する信号を表示装置３に対して出力する。一方、上記の第１の放送と第２の放送とが異なる番組であることを示す信号が番組情報受信装置から入力された場合には、比較手段１０７は、距離算出手段１０５により算出された距離（ノルム）の値に関わらず、常に「正常」に対応する信号を表示装置３に出力する。
これは、例えば、第１の音声信号が「マラソン中継」の放送に対応する音声信号で、第２の音声信号が「トーク番組」の放送に対応する音声信号であることが番組情報受信装置から入力された番組情報により予め分かっている場合には、第１の音声信号と第２の音声信号との距離の値に関わらず、「正常」と判定することが適当だからである。
【００６３】
また、図８に示すように、音声比較装置１Ｂは、第２実施形態に係る音声比較装置１Ａに高域通過フィルタ手段１０８ａ，１０８ｂ及びメル尺度変換手段１０９ａ，１０９ｂを追加した構成となっているが、上記の各構成のうち高域通過フィルタ手段１０８ａ，１０８ｂのみを追加する構成としてもよい。この場合、正規化手段１０４ａは、高域通過フィルタ手段１０８ａにより周波数の高い領域を強調して入力された第１の音声信号（スペクトル包絡）に対して正規化処理を行い、距離算出手段１０５に対して出力する。第２の音声信号についても同様である。
また、第２実施形態に係る音声比較装置１Ａにメル尺度変換手段１０９ａ，１０９ｂのみを追加する構成としてもよい。この場合、メル尺度変換手１０９ａは、スペクトル包絡変換手段１０７ａによりスペクトル包絡に変換して入力された第１の音声信号（スペクトル包絡）に対して、人間の聴覚感度特性に対応する周波数上の重み付けを行い、正規化手段１０４ａに対して出力する。
【００６４】
図１０は、本発明の第１実施形態に係る音声比較装置１を用いた場合と、本発明の第３実施形態に係る音声比較装置１Ｂを用いた場合と、において１２ＳＥＧ放送と１ＳＥＧ放送を比較した実験データを示す図である。
図１０のグラフの破線は本発明の第１実施形態に係る音声比較装置１を用いて処理を行った場合であり、２つの音声信号に対して同期処理、フレーム取得処理、周数変換処理、正規化処理を行って、２つの音声信号の強度の差分（距離）を１秒ごとに算出したものである。なお、図中には簡単のため、「周波数スペクトル」と記載されている。
一方、図１０のグラフの実線は本発明の第３実施形態に係る音声比較装置１Ｂを用いて処理を行った場合であり、第１実施形態に係る音声比較装置１の処理に加えて、さらにスペクトル包絡変換処理、高域通過フィルタ処理、メル尺度変換処理を行って、２つのスペクトル包絡の差分（距離）を１秒ごとに算出したものである。なお、図中には簡単のため、「スペクトル包絡＋高域通過フィルタ＋ＭＥＬ尺度」と記載されている。
【００６５】
図１０に示す実験データにおいて、破線で示す「周波数スペクトル」の場合と、実線で示す「スペクトル包絡＋高域通過フィルタ＋ＭＥＬ尺度」の場合とでは、サンプル点の量が異なるため、当該サンプル点の量に基づいて正規化した。また、図１０に示す実験データでは、フレーム取得手段１０２ａ，１０２ｂ（図２、図８参照）で用いられる窓関数のずらし幅を１００ｍｓｅｃとし、窓関数の長さを６６ｍｓｅｃとした。また、サンプリング周波数を４８０００Ｈｚとし、量子化ビットを１６ｂｉｔとした。また、図１０に示す実験データでは、１２ＳＥＧ放送と１ＳＥＧ放送とが同一の放送内容である場合の各音声信号の差異（距離）を０ｄＢとした。
また、１ＳＥＧ放送の送出において障害が起きた事を想定し、１ＳＥＧ放送を無音とした区間Ｂ１、及び、１ＳＥＧ放送をホワイトノイズ（白色雑音）とした区間Ｄ１を設け、異常を検知できたかを示した。なお、ホワイトノイズとは、すべての波が同じエネルギーで重なっている雑音である。
【００６６】
図１０に示すＡ１及びＣ１で示した区間では、音声比較装置１，１Ｂが第１の音声信号として１２ＳＥＧ放送を受信し、第２の音声信号として、第１の音声信号と同一内容の１ＳＥＧ放送を受信した。また、Ｂ１で示した区間は、音声比較装置１，１Ｂが第１の音声信号として１２ＳＥＧ放送を受信し、第２の音声信号を無音とした。Ｃ１で示した区間は、Ａ１の範囲と同様に、音声比較装置１，１Ｂが第１の音声信号として１２ＳＥＧ放送を受信し、第２の音声信号として、第１の音声信号と同一内容の１ＳＥＧ放送を受信した。Ｄ１で示した区間は、音声比較装置１，１Ｂが第１の音声信号として１２ＳＥＧ放送を受信し、第２の音声信号を定常的なホワイトノイズとした。
【００６７】
図１０に示すように、実線で示した「スペクトル包絡＋高域通過フィルタ＋ＭＥＬ尺度」、及び、破線で示した「周波数スペクトル」の両方において、Ｂ１（１ＳＥＧ 無音）の区間で波形の差異の値が大きくなり、異常を検知した事が分かる。また、実線で示した「スペクトル包絡＋高域通過フィルタ＋ＭＥＬ尺度」及び破線で示した「周波数スペクトル」の両方において、Ｄ１（１ＳＥＧ ホワイトノイズ）の区間で、波形の差異の値が大きくなり、異常を検知した事が分かる。さらに、「周波数スペクトル」の場合よりも「スペクトル包絡＋高域通過フィルタ＋ＭＥＬ尺度」の場合の方が、正常な区間（２つの音声信号の内容が同一であるＡ１，Ｃ１の区間）における値と、異常な区間（１ＳＥＧ放送が無音であるＣ１の区間、及び１ＳＥＧ放送がホワイトノイズであるＤ１の区間）における値との相対的な差が大きいことが分かる。つまり、「周波数スペクトル」の場合よりも「スペクトル包絡＋高域通過フィルタ＋ＭＥＬ尺度」の場合の方が、所定のしきい値を基準として、２つの音声信号の素材が同一であるか否かを適切に判断することができる。
【００６８】
図１１は、本発明の第１実施形態に係る音声比較装置１を用いた場合と、本発明の第３実施形態に係る音声比較装置１Ｂを用いた場合と、においてＡＭ放送とＦＭ放送を比較した実験データを示す図である。
図１１のグラフの破線は、図１０に示す実験データと同様に、本発明の第１実施形態に係る音声比較装置１を用いて処理を行った場合であり、図中には簡単のため、「周波数スペクトル」と記載されている。
一方、図１１のグラフの実線は、図１０に示す実験データと同様に、本発明の第３実施形態に係る音声比較装置１Ｂを用いて処理を行った場合であり、図中には簡単のため、「スペクトル包絡＋高域通過フィルタ＋ＭＥＬ尺度」と記載されている。
【００６９】
図１１に示す実験データにおいて、破線で示す「周波数スペクトル」の場合と、実線で示す「スペクトル包絡＋高域通過フィルタ＋ＭＥＬ尺度」の場合とでは、サンプル点の量が異なるため、当該サンプル点の量に基づいて正規化した。また、図１１に示す実験データでは、フレーム取得手段１０２ａ，１０２ｂ（図２、図８参照）で用いられる窓関数のずらし幅を１００ｍｓｅｃとし、窓関数の長さを６６ｍｓｅｃとした。また、サンプリング周波数を４８０００Ｈｚとし、量子化ビットを１６ｂｉｔとした。また、図１１に示す実験データでは、ＡＭ放送とＦＭ放送とが同一の放送内容である場合の各音声信号の差異（距離）を０ｄＢとした。
【００７０】
なお、図１１に示す実験データでは、測定音声の音声レベルは、１６ｂｉｔで量子化した時のフルビットスケールを０ｄＢＦＳとした場合の−１８ｄＢＦＳの正弦波信号を＋４ｄＢｍとした。また、素材のニュース番組は０ｄＢｍ程度の平均トークレベルで収録されたもので放送波を復調して収録したものを使用した。また、Ｂ２で示した範囲では、平均トークレベルが０ｄＢｍ〜＋４ｄＢｍの音声素材に、定常ノイズ（サーマルノイズ）を−１６ｄＢｍ〜−１１ｄＢｍ程度で混入した。また、インピーダンスが６００Ωの機器に１ｋＨｚの正弦波信号を加えて１ｍＷの電力を消費した場合を０ｄＢｍとし、電圧を０．７７５Ｖとした場合を０ＶＵ＝＋４ｄＢｍとした。
ちなみに、平均音声レベルは、ＶＵメータ（図示せず）から読み取った値である。ＶＵメータの電気的特性により、応答速度が３００ｍｓで、３００ｍｓ以上の継続する信号が入った時に、正確なレベルを指示する。この場合ＶＵメータは、入力信号の平均値をＶＵ値(Volume Unit：音量単位)として示すことができる。
【００７１】
図１１のＡ２〜Ｃ２の区間において、ＡＭ放送とＦＭ放送とは同一の放送内容(ニュース番組)であるが、ＡＭ放送の送出において障害が起きた事を想定し、Ｂ２の区間ではＡＭ放送に定常ノイズを混入させ、Ｃ２の区間ではＡＭ放送にパルスノイズを混入させた。また、Ｄ２の区間では、ＡＭ放送をホワイトノイズとした。また、Ｅ２の区間ではＡＭ放送とＦＭ放送とを異なる内容（ＡＭ放送ではマラソン中継、ＦＭ放送ではトーク番組）とした。
【００７２】
図１１に示すように、破線で示した「周波数スペクトル」、及び、実線で示した「スペクトル包絡＋高域通過フィルタ＋ＭＥＬ尺度」の両方の場合において、Ｂ２（ＡＭ放送に定常ノイズが混入した場合）、Ｃ２（ＡＭ放送にパルスノイズが混入した場合）、Ｄ２（第１の音声信号が定常ノイズである場合）、Ｅ２（第１の音声信号と第２の音声信号の内容が異なる場合）の区間で波形の差異の値が大きくなり、異常を検知した事が分かる。すなわち、音声比較装置１（破線で示した「周波数スペクトル」を参照）、及び、音声比較装置１Ｂ（実線で示した「スペクトル包絡＋高域通過フィルタ＋ＭＥＬ尺度」を参照）の両方の場合において、異常を適切に検知できたことが分かる。
【符号の説明】
【００７３】
１，１Ａ，１Ｂ 音声比較装置
１０１ 同期手段
１０２ａ，１０２ｂ フレーム取得手段
１０３ａ，１０３ｂ 周波数変換手段
１０４ａ，１０４ｂ 正規化手段
１０５ 距離算出手段
１０６ 比較手段
１０７ａ，１０７ｂ スペクトル包絡変換手段
１０８ａ，１０８ｂ 高域通過フィルタ手段
１０９ａ，１０９ｂ メル尺度変換手段
２ インタフェース装置
２０１ａ，２０１ｂ Ａ／Ｄ変換器
３ 表示装置
【特許請求の範囲】
【請求項１】
異なる変調方式で変調した場合の復調信号である第１の音声信号と第２の音声信号とが同一素材であるか否かを判定する音声比較装置であって、
前記第１の音声信号と前記第２の音声信号との相互相関関数が最大となる時間差を検出して、当該時間差に従って前記第１の音声信号と前記第２の音声信号とを同期させる同期手段と、
前記同期手段により同期された前記第１の音声信号と前記第２の音声信号のそれぞれに対して所定の時間幅の窓関数を乗じて、当該時間幅に対応するフレームを取得するフレーム取得手段と、
前記フレーム取得手段により所定の時間幅に対応するフレームとして入力された前記第１の音声信号及び前記第２の音声信号のそれぞれを、フーリエ変換により周波数領域に変換する周波数変換手段と、
前記周波数変換手段により周波数領域に変換して入力された前記第１の音声信号と前記第２の音声信号のそれぞれに対して正規化処理を行う正規化手段と、
前記正規化手段により正規化された前記第１の音声信号と前記第２の音声信号との距離を算出する距離算出手段と、
前記距離算出手段の算出値である前記距離の値が、所定の基準値以上であるか否かを判断して、その結果を出力する比較手段と、を備えること
を特徴とする音声比較装置。
【請求項２】
前記周波数変換手段により周波数領域に変換して入力された前記第１の音声信号及び前記第２の音声信号のそれぞれをスペクトル包絡に変換するスペクトル包絡変換手段をさらに備え、
前記正規化手段は、前記スペクトル包絡変換手段によりスペクトル包絡に変換して入力された前記第１の音声信号と前記第２の音声信号のそれぞれに対して、正規化処理を行うこと
を特徴とする請求項１に記載の音声比較装置。
【請求項３】
前記スペクトル包絡変換手段によりスペクトル包絡に変換して入力された前記第１の音声信号と前記第２の音声信号のそれぞれについて、所定の周波数より低い周波数帯域の信号を除去することにより、前記所定の周波数以上の周波数帯域の信号を取り出す処理を行う高域通過フィルタ手段をさらに備え、
前記正規化手段は、前記高域通過フィルタ手段により前記所定の周波数以上の周波数帯域の信号を取り出す処理をして入力された前記第１の音声信号及び前記第２の音声信号のそれぞれに対して正規化処理を行うこと
を特徴とする請求項２に記載の音声比較装置。
【請求項４】
前記高域通過フィルタ手段により前記所定の周波数以上の周波数帯域の信号を取り出す処理をして入力された前記第１の音声信号と前記第２の音声信号のそれぞれに対して、メル尺度を用いて人間の聴覚感度特性に対応する周波数上の重み付けを行うメル尺度変換手段をさらに備え、
前記正規化手段は、前記メル尺度変換手段により周波数上の重み付けをして入力された前記第１の音声信号及び前記第２の音声信号のそれぞれに対して、正規化処理を行うこと
を特徴とする請求項３に記載の音声比較装置。
【請求項５】
前記距離算出手段は、所定のサンプル周波数における前記第１の音声信号と前記第２の音声信号との差の絶対値の二乗を算出し、さらに各サンプル周波数において算出された前記差の絶対値の二乗の和の平方根を距離として算出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音声比較装置。
【請求項６】
前記メル尺度変換手段で用いられるメル尺度関数は、音声信号の周波数をｆとすると、Mel(f)=2595log10(1+f/700)で表されることを特徴とする請求項４又は請求項５に記載の音声比較装置。
【請求項７】
異なる変調方式で変調した場合の復調信号である第１の音声信号と第２の音声信号とが同一素材であるか否かを判定するために、コンピュータを、
前記第１の音声信号と前記第２の音声信号との相互相関関数が最大となる時間差を検出して、当該時間差に従って前記第１の音声信号と前記第２の音声信号とを同期させる同期手段、
前記同期手段により同期された前記第１の音声信号と前記第２の音声信号のそれぞれに対して所定の時間幅の窓関数を乗じて、当該時間幅に対応するフレームを取得するフレーム取得手段、
前記フレーム取得手段により所定の時間幅に対応するフレームとして入力された前記第１の音声信号及び前記第２の音声信号のそれぞれを、フーリエ変換により周波数領域に変換する周波数変換手段、
前記周波数変換手段により周波数領域に変換して入力された前記第１の音声信号と前記第２の音声信号のそれぞれに対して正規化処理を行う正規化手段、
前記正規化手段により正規化された前記第１の音声信号と前記第２の音声信号との距離を算出する距離算出手段、
前記距離算出手段の算出値である前記距離の値が、所定の基準値以上であるか否かを判断して、その結果を出力する比較手段、
として機能させるための音声比較プログラム。
【請求項１】
異なる変調方式で変調した場合の復調信号である第１の音声信号と第２の音声信号とが同一素材であるか否かを判定する音声比較装置であって、
前記第１の音声信号と前記第２の音声信号との相互相関関数が最大となる時間差を検出して、当該時間差に従って前記第１の音声信号と前記第２の音声信号とを同期させる同期手段と、
前記同期手段により同期された前記第１の音声信号と前記第２の音声信号のそれぞれに対して所定の時間幅の窓関数を乗じて、当該時間幅に対応するフレームを取得するフレーム取得手段と、
前記フレーム取得手段により所定の時間幅に対応するフレームとして入力された前記第１の音声信号及び前記第２の音声信号のそれぞれを、フーリエ変換により周波数領域に変換する周波数変換手段と、
前記周波数変換手段により周波数領域に変換して入力された前記第１の音声信号と前記第２の音声信号のそれぞれに対して正規化処理を行う正規化手段と、
前記正規化手段により正規化された前記第１の音声信号と前記第２の音声信号との距離を算出する距離算出手段と、
前記距離算出手段の算出値である前記距離の値が、所定の基準値以上であるか否かを判断して、その結果を出力する比較手段と、を備えること
を特徴とする音声比較装置。
【請求項２】
前記周波数変換手段により周波数領域に変換して入力された前記第１の音声信号及び前記第２の音声信号のそれぞれをスペクトル包絡に変換するスペクトル包絡変換手段をさらに備え、
前記正規化手段は、前記スペクトル包絡変換手段によりスペクトル包絡に変換して入力された前記第１の音声信号と前記第２の音声信号のそれぞれに対して、正規化処理を行うこと
を特徴とする請求項１に記載の音声比較装置。
【請求項３】
前記スペクトル包絡変換手段によりスペクトル包絡に変換して入力された前記第１の音声信号と前記第２の音声信号のそれぞれについて、所定の周波数より低い周波数帯域の信号を除去することにより、前記所定の周波数以上の周波数帯域の信号を取り出す処理を行う高域通過フィルタ手段をさらに備え、
前記正規化手段は、前記高域通過フィルタ手段により前記所定の周波数以上の周波数帯域の信号を取り出す処理をして入力された前記第１の音声信号及び前記第２の音声信号のそれぞれに対して正規化処理を行うこと
を特徴とする請求項２に記載の音声比較装置。
【請求項４】
前記高域通過フィルタ手段により前記所定の周波数以上の周波数帯域の信号を取り出す処理をして入力された前記第１の音声信号と前記第２の音声信号のそれぞれに対して、メル尺度を用いて人間の聴覚感度特性に対応する周波数上の重み付けを行うメル尺度変換手段をさらに備え、
前記正規化手段は、前記メル尺度変換手段により周波数上の重み付けをして入力された前記第１の音声信号及び前記第２の音声信号のそれぞれに対して、正規化処理を行うこと
を特徴とする請求項３に記載の音声比較装置。
【請求項５】
前記距離算出手段は、所定のサンプル周波数における前記第１の音声信号と前記第２の音声信号との差の絶対値の二乗を算出し、さらに各サンプル周波数において算出された前記差の絶対値の二乗の和の平方根を距離として算出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音声比較装置。
【請求項６】
前記メル尺度変換手段で用いられるメル尺度関数は、音声信号の周波数をｆとすると、Mel(f)=2595log10(1+f/700)で表されることを特徴とする請求項４又は請求項５に記載の音声比較装置。
【請求項７】
異なる変調方式で変調した場合の復調信号である第１の音声信号と第２の音声信号とが同一素材であるか否かを判定するために、コンピュータを、
前記第１の音声信号と前記第２の音声信号との相互相関関数が最大となる時間差を検出して、当該時間差に従って前記第１の音声信号と前記第２の音声信号とを同期させる同期手段、
前記同期手段により同期された前記第１の音声信号と前記第２の音声信号のそれぞれに対して所定の時間幅の窓関数を乗じて、当該時間幅に対応するフレームを取得するフレーム取得手段、
前記フレーム取得手段により所定の時間幅に対応するフレームとして入力された前記第１の音声信号及び前記第２の音声信号のそれぞれを、フーリエ変換により周波数領域に変換する周波数変換手段、
前記周波数変換手段により周波数領域に変換して入力された前記第１の音声信号と前記第２の音声信号のそれぞれに対して正規化処理を行う正規化手段、
前記正規化手段により正規化された前記第１の音声信号と前記第２の音声信号との距離を算出する距離算出手段、
前記距離算出手段の算出値である前記距離の値が、所定の基準値以上であるか否かを判断して、その結果を出力する比較手段、
として機能させるための音声比較プログラム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【公開番号】特開２０１２−２４２５４２（Ｐ２０１２−２４２５４２Ａ）
【公開日】平成２４年１２月１０日（２０１２．１２．１０）
【国際特許分類】
【出願番号】特願２０１１−１１１３８０（Ｐ２０１１−１１１３８０）
【出願日】平成２３年５月１８日（２０１１．５．１８）
【出願人】（０００００４３５２）日本放送協会 (2,206)
【Ｆターム（参考）】
【公開日】平成２４年１２月１０日（２０１２．１２．１０）
【国際特許分類】
【出願日】平成２３年５月１８日（２０１１．５．１８）
【出願人】（０００００４３５２）日本放送協会 (2,206)
【Ｆターム（参考）】
[ Back to top ]