特許 6791816 音声区間検出装置、音声区間検出方法、およびプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6791816

(24)【登録日】2020年11月9日

(45)【発行日】2020年11月25日

(54)【発明の名称】音声区間検出装置、音声区間検出方法、およびプログラム

(51)【国際特許分類】

   G10L 15/04 20130101AFI20201116BHJP

   G10L 25/84 20130101ALI20201116BHJP

   G10L 15/20 20060101ALI20201116BHJP

【ＦＩ】

   G10L15/04 300C

   G10L25/84

   G10L15/20 370Z

【請求項の数】12

【全頁数】14

(21)【出願番号】特願2017-141793(P2017-141793)

(22)【出願日】2017年7月21日

(65)【公開番号】特開2019-20685(P2019-20685A)

(43)【公開日】2019年2月7日

【審査請求日】2019年11月11日

(73)【特許権者】

【識別番号】502324066

【氏名又は名称】株式会社デンソーアイティーラボラトリ

(74)【代理人】

【識別番号】100113549

【弁理士】

【氏名又は名称】鈴木 守

(74)【代理人】

【識別番号】100115808

【弁理士】

【氏名又は名称】加藤 真司

(74)【代理人】

【識別番号】230121430

【弁護士】

【氏名又は名称】安井 友章

(72)【発明者】

【氏名】太刀岡 勇気

【審査官】 中村 天真

(56)【参考文献】

【文献】 特開２０１３−０３７１５２（ＪＰ，Ａ）

【文献】 国際公開第２０１５／０５９９４７（ＷＯ，Ａ１）

【文献】 藤田悠哉，磯健一，音素エントロピーを利用した背景発話に頑健なＤＮＮに基づく音声区間検出，情報処理学会研究報告，２０１６年 ７月，Vol.2016-SLP-112，No.9，p.1-6

【文献】 Peng Teng, Yunde Jia，Voice Activity Detection Via Noise Reducing Using Non-Negative Sparse Coding，IEEE Signal Processing Letters，２０１３年 ５月，Vol.20, No.5，p.475-478

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ１０Ｌ １３／００−２５／９３

ＩＥＥＥ Ｘｐｌｏｒｅ

(57)【特許請求の範囲】

【請求項1】

音声と騒音を含む入力音声を入力する入力部と、
前記入力音声から音声特徴量を求める特徴量算出部と、
音響モデルに基づいて、前記音声特徴量が音声である尤度を求める音響尤度算出部と、
音声区間検出モデルに基づいて、前記音声特徴量から音声又は非音声の事後確率を算出する事後確率算出部であって、前記音響尤度算出部にて算出された尤度をも用いて事後確率を求める事後確率算出部と、
前記事後確率に基づいて音声か非音声かの判定を行う判定部と、
を備える音声区間検出装置。

【請求項2】

前記音響尤度算出部にて算出された尤度のデータの次元を圧縮する次元圧縮部を備え、
前記次元圧縮部にて次元が圧縮された尤度データを前記事後確率算出部に入力する請求項１に記載の音声区間検出装置。

【請求項3】

前記音響尤度算出部にて算出された尤度のデータを用いて音声認識を行う音声認識部を備える請求項１または２に記載の音声区間検出装置。

【請求項4】

音声と騒音を含む入力音声を入力する入力部と、
前記入力音声から音声特徴量を求める特徴量算出部と、
音声強調のモデルに基づいて、前記音声特徴量を音声と騒音とに分離した際のそれぞれの活性化度を算出する活性化度算出部と、
音声区間検出モデルに基づいて、前記音声特徴量から音声又は非音声の事後確率を算出する事後確率算出部であって、前記活性化度算出部にて算出された活性化度をも用いて事後確率を求める事後確率算出部と、
前記事後確率に基づいて音声か非音声かの判定を行う判定部と、
を備える音声区間検出装置。

【請求項5】

前記活性化度算出部は、非負値行列因子分解によって前記音声特徴量を基底と活性化度とに因子分解し、求めた基底から音声の基底と騒音の基底とを求め、音声と騒音のそれぞれの基底に対応する活性化度を求める請求項４に記載の音声区間検出装置。

【請求項6】

クリーンな音声に基づいて音声の基底を学習する基底学習部を備え、
前記活性化度算出部は、学習によって求められた音声の基底を用いて、前記音声特徴量を非負値行列因子分解によって基底と活性化度に因子分解し、音声と騒音のそれぞれの基底に対応する活性化度を求める請求項４に記載の音声区間検出装置。

【請求項7】

前記活性化度算出部にて算出した音声の基底に基づいて、クリーンな音声を選別するデータ選別部を備え、
前記基底学習部は、選別されたクリーンな音声を用いて、音声の基底を再学習する請求項６に記載の音声区間検出装置。

【請求項8】

前記活性化度算出部にて算出された基底及び活性化度のデータを用いて騒音を抑圧する騒音抑圧部を備える請求項４乃至７のいずれかに記載の音声区間検出装置。

【請求項9】

音声区間検出装置によって音声区間を検出する方法であって、
前記音声区間検出装置が、音声と騒音を含む入力音声を入力するステップと、
前記音声区間検出装置が、前記入力音声から音声特徴量を求めるステップと、
前記音声区間検出装置が、音響モデルに基づいて、前記音声特徴量が音声である尤度を求めるステップと、
前記音声区間検出装置が、音声区間検出モデルに基づいて、前記音声特徴量から音声又は非音声の事後確率を算出するステップであって、前記音声特徴量が音声である尤度をも用いて事後確率を求めるステップと、
前記音声区間検出装置が、前記事後確率に基づいて音声か非音声かの判定を行うステップと、
を備える音声区間検出方法。

【請求項10】

音声区間検出装置によって音声区間を検出する方法であって、
前記音声区間検出装置が、音声と騒音を含む入力音声を入力するステップと、
前記音声区間検出装置が、前記入力音声から音声特徴量を求めるステップと、
前記音声区間検出装置が、音声強調のモデルに基づいて、前記音声特徴量を音声と騒音とに分離した際のそれぞれの活性化度を算出するステップと、
前記音声区間検出装置が、音声区間検出モデルに基づいて、前記音声特徴量から音声又は非音声の事後確率を算出するステップであって、前記活性化度をも用いて事後確率を求めるステップと、
前記音声区間検出装置が、前記事後確率に基づいて音声か非音声かの判定を行うステップと、
を備える音声区間検出方法。

【請求項11】

音声区間を検出するためのプログラムであって、コンピュータに、
音声と騒音を含む入力音声を入力するステップと、
前記入力音声から音声特徴量を求めるステップと、
音響モデルに基づいて、前記音声特徴量が音声である尤度を求めるステップと、
音声区間検出モデルに基づいて、前記音声特徴量から音声又は非音声の事後確率を算出するステップであって、前記音声特徴量が音声である尤度をも用いて事後確率を求めるステップと、
前記事後確率に基づいて音声か非音声かの判定を行うステップと、
を実行させるプログラム。

【請求項12】

音声区間を検出するためのプログラムであって、コンピュータに、
音声と騒音を含む入力音声を入力するステップと、
前記入力音声から音声特徴量を求めるステップと、
音声強調のモデルに基づいて、前記音声特徴量を音声と騒音とに分離した際のそれぞれの活性化度を算出するステップと、
音声区間検出モデルに基づいて、前記音声特徴量から音声又は非音声の事後確率を算出するステップであって、前記活性化度をも用いて事後確率を求めるステップと、
前記事後確率に基づいて音声か非音声かの判定を行うステップと、
を実行させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、音声区間検出装置、音声区間検出方法、およびプログラムに関する。

【背景技術】

【0002】

音声を使ったアプリケーション・機器の普及に伴い、騒音がある環境で、騒音に埋もれた音声の発話時刻を特定する音声区間検出技術の重要性が増している。音声区間を検出する技術は、音声部分を特定しての録音、音声から騒音を取り除く音声強調、音声認識等を行う上で有用である。

【0003】

こうした音声区間検出技術として、従来から、様々な技術が提案されている。特許文献１は、音声のパワーが騒音のパワーよりも大きいことを利用して音声区間を検出する手法を開示している。特許文献２は、音声の到来方向等の他の物理情報を利用する方法を開示している。特許文献３は、事前に大量の音声より学習した音声モデルを使って、音声区間検出の性能を向上させる技術を開示している。また音声認識の結果を用いて、音声区間検出を行う構成も考えられるが、音声認識に必要な計算量は一般的に大きく、音声区間検出は常時行う必要があるため、現実的でない。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２００５−３２１５３９号公報

【特許文献2】特開２０１２−０４８１１９号公報

【特許文献3】特開２００９−２１０６４７号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

上記した特許文献１に記載された技術では、音声のパワーが騒音レベルのパワーより大きいことを前提としているが、騒音レベルが高い実環境での音声利用が増える中で、必ずしも音声のパワーの方が騒音のパワーよりも大きいことを期待できない場合が増えてきている。また、特許文献２に記載された方法は、他の物理情報を取得するためのセンサが必要である。上記した特許文献３に開示された方法は、大量の音声をすべて混合した音声モデルを使っているため、音声に対する知識を扱いにくいという問題があった。また音声区間検出の特徴上、それほど必要な計算量を増やせないという点に留意する必要がある。

【0006】

本発明は、上記背景に鑑み、計算量の増加を抑えつつ、音声区間の検出の性能を向上させる方法を提案することを目的とする。

【課題を解決するための手段】

【0007】

本発明の音声区間検出装置は、音声と騒音を含む入力音声を入力する入力部と、前記入力音声から音声特徴量を求める特徴量算出部と、音響モデルに基づいて、前記音声特徴量が音声のうちどのサブセットかの尤度を求める音響尤度算出部と、音声区間検出モデルに基づいて、前記音声特徴量から音声又は非音声の事後確率を算出する事後確率算出部であって、前記音響尤度算出部にて算出された尤度をも用いて事後確率を求める事後確率算出部と、前記事後確率に基づいて音声か非音声かの判定を行う判定部とを備える。ここで、音声のサブセットとは、例えば「あ」「い」「う」といった音素、もしくは「母音」「子音」といった音素の分類である。

【0008】

この構成により、入力音声の音声特徴量が音声だとすればどのサブセットに属するかを考慮して、音声又は非音声の事後確率を求めるので、音声区間検出の性能を高めることができる。ここで、音響モデルは、音声特徴量で特徴付けられた音がある音（例えば「あ」）である尤度を求めるためのモデルである。これに対し、音声区間検出モデルは、音声と騒音を分類するために、それらの音響的特徴を学習したモデルである。

【0009】

本発明の音声区間検出装置は、前記音響尤度算出部にて算出された尤度のデータの次元を圧縮する次元圧縮部を備え、前記次元圧縮部にて次元が圧縮された尤度データを前記事後確率算出部に入力してもよい。

【0010】

音声の尤度のデータは次元が大きくなりがちであるが、次元圧縮を行うことにより、事後確率算出部における計算量を抑えることができる。なお、次元圧縮部における次元圧縮の手法としては、例えば、ベクトル変換、主成分分析、ニューラルネットワーク等を用いることができる。

【0011】

本発明の音声区間検出装置は、前記音響尤度算出部にて算出された尤度のデータを用いて音声認識を行う音声認識部を備えてもよい。

【0012】

この構成により、音声区間検出のために求めた音声の尤度のデータを、音声認識に用いることができ、音声認識の計算コストを低減することができる。

【0013】

本発明の別の態様の音声区間検出装置は、音声と騒音を含む入力音声を入力する入力部と、前記入力音声から音声特徴量を求める特徴量算出部と、音声強調のモデルに基づいて、前記音声特徴量を音声と騒音とに分離した際のそれぞれの活性化度を算出する活性化度算出部と、音声区間検出モデルに基づいて、前記音声特徴量から音声又は非音声の事後確率を算出する事後確率算出部であって、前記活性化度算出部にて算出された活性化度をも用いて事後確率を求める事後確率算出部と、前記事後確率に基づいて音声か非音声かの判定を行う判定部とを備える。

【0014】

この構成により、入力音声の音声特徴量の音声と騒音の活性化度をも含めて、音声又は非音声の事後確率を求めるので、音声区間検出の性能を高めることができる。

【0015】

本発明の音声区間検出装置において、前記活性化度算出部は、非負値行列因子分解によって前記音声特徴量を基底と活性化度とに因子分解し、求めた基底から音声の基底と騒音の基底とを求め、音声と騒音のそれぞれの基底に対応する活性化度を求めてもよい。

【0016】

この構成により、教師なし学習によって音声の基底と騒音の基底に対応する活性化度を求めることができる。

【0017】

本発明の音声区間検出装置は、クリーンな音声に基づいて音声の基底を学習する基底学習部を備え、前記活性化度算出部は、学習によって求められた音声の基底を用いて、前記音声特徴量を非負値行列因子分解によって基底と活性化度に因子分解し、音声と騒音のそれぞれの基底に対応する活性化度を求めてもよい。

【0018】

このように騒音を含まないクリーンな音声に基づいて学習した音声の基底を用いることにより、基底および活性化度の精度を高めることができる。

【0019】

本発明の音声区間検出装置は、前記活性化度算出部にて算出した音声の基底に基づいて、クリーンな音声を選別するデータ選別部を備え、前記基底学習部は、選別されたクリーンな音声を用いて、音声の基底を再学習してもよい。

【0020】

この構成により、発話者や発話内容に近い音声の基底が生成されるので、使用者に応じて音声区間検出の精度をさらに高めることができる。

【0021】

本発明の音声区間検出装置は、前記活性化度算出部にて算出された基底及び活性化度のデータを用いて騒音を抑圧する騒音抑圧部を備えてもよい。

【0022】

この構成により、音声区間検出のために求めた音声と騒音の基底とその活性化度のデータを、騒音抑圧に用いることができ、騒音抑圧の計算コストを低減することができる。

【0023】

本発明の音声区間検出方法は、音声区間検出装置によって音声区間を検出する方法であって、前記音声区間検出装置が、音声と騒音を含む入力音声を入力するステップと、前記音声区間検出装置が、前記入力音声から音声特徴量を求めるステップと、前記音声区間検出装置が、音響モデルに基づいて、前記音声特徴量が音声のうちどのサブセットかの尤度を求めるステップと、前記音声区間検出装置が、音声区間検出モデルに基づいて、前記音声特徴量から音声又は非音声の事後確率を算出するステップであって、前記音声特徴量が音声である尤度をも用いて事後確率を求めるステップと、前記音声区間検出装置が、前記事後確率に基づいて音声か非音声かの判定を行うステップとを備える。

【0024】

本発明の音声区間検出方法は、音声区間検出装置によって音声区間を検出する方法であって、前記音声区間検出装置が、音声と騒音を含む入力音声を入力するステップと、前記音声区間検出装置が、前記入力音声から音声特徴量を求めるステップと、前記音声区間検出装置が、音声強調のモデルに基づいて、前記音声特徴量を音声と騒音とに分離した際のそれぞれの活性化度を算出するステップと、前記音声区間検出装置が、音声区間検出モデルに基づいて、前記音声特徴量から音声又は非音声の事後確率を算出するステップであって、前記活性化度をも用いて事後確率を求めるステップと、前記音声区間検出装置が、前記事後確率に基づいて音声か非音声かの判定を行うステップとを備える。

【0025】

本発明のプログラムは、音声区間を検出するためのプログラムであって、コンピュータに、音声と騒音を含む入力音声を入力するステップと、前記入力音声から音声特徴量を求めるステップと、音響モデルに基づいて、前記音声特徴量が音声のうちどのサブセットかの尤度を求めるステップと、音声区間検出モデルに基づいて、前記音声特徴量から音声又は非音声の事後確率を算出するステップであって、前記音声特徴量が音声である尤度をも用いて事後確率を求めるステップと、前記事後確率に基づいて音声か非音声かの判定を行うステップとを実行させる。

【0026】

本発明のプログラムは、音声区間を検出するためのプログラムであって、コンピュータに、音声と騒音を含む入力音声を入力するステップと、前記入力音声から音声特徴量を求めるステップと、音声強調のモデルに基づいて、前記音声特徴量を音声と騒音とに分離した際のそれぞれの活性化度を算出するステップと、音声区間検出モデルに基づいて、前記音声特徴量から音声又は非音声の事後確率を算出するステップであって、前記活性化度をも用いて事後確率を求めるステップと、前記事後確率に基づいて音声か非音声かの判定を行うステップとを実行させる。

【発明の効果】

【0027】

本発明によれば、音声区間の検出性能を高めることができる。

【図面の簡単な説明】

【0028】

【図1】第１の実施の形態の音声区間検出装置の構成を示す図である。

【図2】第１の実施の形態の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】第２の実施の形態の音声区間検出装置の構成を示す図である。

【図4】第３の実施の形態の音声区間検出装置の構成を示す図である。

【図5】第４の実施の形態の音声区間検出装置の構成を示す図である。

【図6】第４の実施の形態の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7】第５の実施の形態の音声区間検出装置の構成を示す図である。

【図8】第６の実施の形態の音声区間検出装置の構成を示す図である。

【図9】第７の実施の形態の音声区間検出装置の構成を示す図である。

【発明を実施するための形態】

【0029】

以下、本発明の実施の形態の音声区間検出装置１について、図面を参照して説明する。
（第１の実施の形態）
図１は、第１の実施の形態の音声区間検出装置１の構成を示す図である。入力部１０は、音声区間の検出対象となる入力音声のフレーム単位の入力を受け付ける機能を有する。本書では、音声と騒音が混在している検出対象の音のデータを「入力音声」といい、そのフレーム単位を「入力音声フレーム」という。特徴量算出部１１は、入力部１０にて入力された入力音声フレームの音声特徴量を算出する。本実施の形態では、音声特徴量として、スペクトル特徴量ｖを用いる。スペクトル特徴量ｖは、入力音声フレームに含まれる周波数成分を特徴量とするものである。

【0030】

事後確率算出部１２は、スペクトル特徴量ｖに基づいて、音声または騒音の事後確率を計算する機能を有する。事後確率算出部１２は、音声モデル記憶部１５及び騒音モデル記憶部１６と接続されている。音声モデル及び騒音モデルは、音声区間を検出するための音声区間検出モデルであり、音声モデルは音声の音響的特徴を学習したモデル、騒音モデルは騒音の音響的特徴を学習したモデルである。

【0031】

音声モデル及び騒音モデルは、事後的に学習することもできるが、本実施の形態では、音声モデル及び騒音モデルは事前に学習しておく。多様な状況での使用を考えると、音声モデルの学習データには多種多様な音声を混ぜておくことが好ましい。なお、騒音モデル記憶部１６は、任意の構成であり、省略することも可能である。

【0032】

事後確率算出部１２は、スペクトル特徴量ｖに基づいて事後確率ｗを算出する。音声区間検出モデルによるスペクトル特徴量ｖから事後確率ｗへの変換をｆ（ ）で表すと、ｗ＝ｆ（ｖ）となる。事後確率算出部１２は、求めた事後確率ｗのデータを判定部１３に入力する。

【0033】

判定部１３は、事後確率ｗに基づいて、入力音声フレームが音声か非音声を判定する。例えば、ｗ＝［音声の事後確率，騒音の事後確率］とし、ベクトルのインデクスを1から始めるとすると、ａｒｇｍａｘ（ｗ）＝１のとき当該入力音声フレームは音声、ａｒｇｍａｘ（ｗ）＝２のとき当該フレームは騒音と判定することができる。

【0034】

出力部１４は、入力音声フレームが音声か騒音か判定された結果を出力する。出力部１４は、判定部１３によって音声と判定された区間のデータを出力することとしてもよい。

【0035】

本実施の形態の音声区間検出装置１は、さらに、音響尤度算出部１７を備えている。特徴量算出部１１は、求めたスペクトラム特徴量ｖのデータを音響尤度算出部１７に入力する。なお、本実施の形態では、事後確率算出部１２に対して入力したのと同じスペクトラム特徴量ｖを入力するが、事後確率算出部１２と音響尤度特徴部に入力する特徴量は必ずしも同じでなくてもよく、それぞれに異なる特徴量を入力してもよい。

【0036】

音響尤度算出部１７は、入力されたスペクトラム特徴量ｖを音響モデルに適用して、スペクトラム特徴量ｖが音声である尤度Ｌを求める。音響尤度算出部１７は、モノフォンの状態やトライフォンの状態、これを縮退させた状態等、適切に選択した状態単位で尤度Ｌを求める。音響モデルは、音響モデル記憶部１８に記憶されている。音響モデルとしては、従来から用いられている混合ガウス分布やニューラルネットワーク等を用いることができる。音響尤度算出部１７は、算出した尤度Ｌを事後確率算出部１２に入力する。

【0037】

事後確率算出部１２は、前述したとおり、音声区間検出モデルによってスペクトル特徴量ｖから事後確率ｗを求めるが、本実施の形態においては、さらに尤度Ｌのデータも用いて事後確率ｗを求める。すなわち、事後確率算出部１２は、元のスペクトル特徴量ｖに連結して、ｗ＝ｆ（［ｖ；Ｌ］）のようにして求める、あるいは、他のモデルｇ（ ）を用いてｗ＝α・ｆ（ｖ）＋β・ｇ（Ｌ）のように求めることができる。ここで、α、βは適当な係数である。なお、ここで挙げた方法は一例であり、線形和に限らず、様々な結合の仕方が考えられる。一般的には、ｗ＝ｈ（ｆ（ｖ），ｇ（Ｌ））のように、統合モデルｈ（ ）に入力する方法が考えられる。

【0038】

以上、第１の実施の形態の音声区間検出装置１の構成について説明したが、音声区間検出装置１のハードウェアの例は、ＣＰＵ、ＲＡＭ、ＲＯＭ、ハードディスク、ディスプレイ、キーボード、マウス、通信インターフェース等を備えたコンピュータである。上記した各機能を実現するモジュールを有するプログラムをＲＡＭまたはＲＯＭに格納しておき、ＣＰＵによって当該プログラムを実行することによって、上記した音声区間検出装置１が実現される。このようなプログラムも本発明の範囲に含まれる。

【0039】

図２は、第１の実施の形態の音声区間検出装置１の動作を示すフローチャートである。音声区間検出装置１は、まず、入力音声フレームのデータの入力を受け付け（Ｓ１０）、入力音声フレームのスペクトル特徴量ｖを求める（Ｓ１１）。続いて、音声区間検出装置１は、スペクトル特徴量ｖに基づいて音響尤度Ｌを求め（Ｓ１２）、求めた音響尤度Ｌのデータを事後確率算出部１２に入力する。事後確率算出部１２は、スペクトル特徴量ｖを音声モデル及び騒音モデルに適用すると共に音響尤度Ｌのデータを用いて、音声または騒音の事後確率ｗを求める（Ｓ１３）。判定部１３は、事後確率ｗに基づいて、入力音声フレームが音声か騒音かの判定を行い（Ｓ１４）、音声区間を検出する。音声区間検出装置１は、求められた音声区間のデータを出力する（Ｓ１５）。

【0040】

以上、第１の実施の形態の音声区間検出装置１の構成および動作について説明した。第１の実施の形態の音声区間検出装置１は、入力音声フレームのスペクトル特徴量が音声である尤度Ｌをも含めて、音声か騒音かの事後確率を求める。尤度Ｌは発話内容を多分に反映しているので音声区間の検出に有用であり、事後確率算出部１２での事後確率の計算に加えることにより、音声区間検出の性能を高めることができる。

【0041】

（第２の実施の形態）
図３は、第２の実施の形態の音声区間検出装置２の構成を示す図である。第２の実施の形態の音声区間検出装置２の基本的な構成は、第１の実施の形態の音声区間検出装置１と同じであるが、第２の実施の形態の音声区間検出装置２は、第１の実施の形態の音声区間検出装置１の構成に加えてベクトル変換部１９を備えており、音響尤度算出部１７にて求めた音響尤度Ｌのベクトルを低次元に変換する点が異なる。

【0042】

音響尤度算出部１７にて算出される尤度Ｌは、スペクトル特徴量ｖよりも次元が大きくなりがちである。第２の実施の形態の音声区間検出装置２は、ベクトル変換部１９により、低次元のベクトルに変換する。ベクトル変換部１９で実現される変換の関数をＴとし、上述の元の特徴量ｖに連結して入力する方法を例にすると、ｗ＝ｆ（［ｖ；Ｔ（Ｌ）］）となる。これにより、事後確率算出部１２による計算処理の負担を軽減できる。

【0043】

本実施の形態では、第２の実施の形態の音声区間検出装置２は、次元圧縮を目的としてベクトル変換を行う例を説明したが、次元を小さくする必要がない場合にも、ベクトルの長さの正規化や平均値の補償といった変換を行ってもよい。

【0044】

なお、本実施の形態では、ベクトル変換を行う例を説明したが、次元を圧縮する手法としては、主成分分析やニューラルネットワークによる次元圧縮を用いてもよい。

【0045】

（第３の実施の形態）
図４は、第３の実施の形態の音声区間検出装置３の構成を示す図である。第３の実施の形態の音声区間検出装置３の基本的な構成は、第２の実施の形態の音声区間検出装置２と同じであるが、第３の実施の形態の音声区間検出装置３は、第２の実施の形態の音声区間検出装置２の構成に加えて音声認識部２０を備えており、音響尤度算出部１７にて求めた音響尤度Ｌを利用して音声認識を行う点が異なる。

【0046】

このように、音声認識部２０を組み合わせることで比較的低コストに音声認識を行うことが可能である。出力部１４は、音声認識部２０によって認識を行った結果も出力する。なお、本実施の形態では、第２の実施の形態の音声区間検出装置２に対して音声認識部２０を付加した構成について説明したが、第１の実施の形態の音声区間検出装置１に音声認識部２０を付加してもよいことはもちろんである。

【0047】

（第４の実施の形態）
図５は、第４の実施の形態の音声区間検出装置４の構成を示す図である。上記した実施の形態では、音声認識の仕組みを利用することで発話内容を反映した音声区間検出が行えるようになることを示したが、第４の実施の形態の音声区間検出装置４では、音声強調の仕組みを利用して、話者の特徴と、発話内容の片方もしくは両方利用した音声区間検出について説明する。

【0048】

第４の実施の形態の音声区間検出装置４は、第１〜第３の実施の形態で説明した音響尤度算出部１７に代えて、活性化度算出部２１を備えている。特徴量算出部１１は、入力音声フレームから求めたスペクトル特徴量を活性化度算出部２１に入力する。活性化度算出部２１は、非負値行列因子分解を用いて、基底と活性化度(アクティベーション)に因子分解する。具体的には、活性化度算出部２１は、音声の基底と騒音の基底を算出し、これらに対応する活性化度を算出し、算出した基底と活性化度から特徴量を復元し、これが元の特徴量と近くなるように基底と活性化度を逐次的に更新する。これにより、活性化度算出部２１は、音声の基底及び騒音の基底とそれぞれの活性化度を求めることができる。

【0049】

活性化度算出部２１にて求めた基底及び活性化度のデータを、ベクトル変換部１９を介して次元圧縮して事後確率算出部１２に入力する。事後確率算出部１２は、入力された基底およびその活性化度のデータも用いて事後確率ｗを求める。

【0050】

図６は、第４の実施の形態の音声区間検出装置４の動作を示すフローチャートである。音声区間検出装置４は、まず、入力音声フレームの入力を受け付け（Ｓ２０）、入力音声フレームのスペクトル特徴量ｖを求める（Ｓ２１）。続いて、音声区間検出装置４は、スペクトル特徴量ｖに基づいて、音声及び騒音の基底とそれぞれの活性化度を求め（Ｓ２２）、求めた基底及び活性化度のデータを事後確率算出部１２に入力する。

【0051】

事後確率算出部１２は、スペクトル特徴量ｖを音声モデル及び騒音モデルに適用すると共に音響尤度Ｌのデータを用いて、音声または騒音の事後確率ｗを求める（Ｓ２３）。判定部１３は、事後確率ｗに基づいて、入力音声フレームが音声か騒音かの判定を行い（Ｓ２４）、音声区間を検出する。音声区間検出装置４は、求められた音声区間のデータを出力する（Ｓ２５）。

【0052】

以上、第４の実施の形態の音声区間検出装置４の構成および動作について説明した。本実施の形態の音声区間検出装置４は、入力音声フレームを音声及び騒音の基底とそれぞれの活性化度に分解し、この情報を用いて音声か騒音かの事後確率を求める。活性化度は、話者と発話内容の特徴を多分に反映しているので音声区間の検出に有用であり、事後確率算出部１２での事後確率の計算に加えることにより、音声区間検出の性能を高めることができる。

【0053】

（第５の実施の形態）
図７は、第５の実施の形態の音声区間検出装置５の構成を示す図である。第５の実施の形態の音声区間検出装置５の基本的な構成は、第４の実施の形態の音声区間検出装置４の構成と同じであるが、第５の実施の形態の音声区間検出装置５は、第４の実施の形態の音声区間検出装置４の構成に加え、基底学習部２２と基底学習部２２における学習に用いるクリーン音声を記憶したクリーン音声記憶部２３を有している。ここで、クリーン音声とは、騒音のない環境で取得された人の音声のみからなるデータである。

【0054】

基底学習部２２は、クリーン音声記憶部２３に記憶されたクリーン音声のデータを用いて、音声の基底を学習しておくことにより、精度の高い音声基底を求めることができる。第５の実施の形態においては、活性化度算出部２１は、スペクトル特徴量を基底と活性化度に因子分解する際に、基底学習部２２にて予めクリーン音声に基づいて生成された音声の基底を用いる。これにより、非負値行列因子分解の精度を高めることができ、ひいては音声区間検出の精度を高めることができる。

【0055】

（第６の実施の形態）
図８は、第６の実施の形態の音声区間検出装置６の構成を示す図である。第６の実施の形態の音声区間検出装置６の基本的な構成は、第５の実施の形態の音声区間検出装置５の構成と同じであるが、第６の実施の形態の音声区間検出装置６は、第５の実施の形態の音声区間検出装置５の構成に加え、クリーン音声のデータを選択するデータ選別部２４をさらに有している。

【0056】

基底学習部２２は、最初にクリーン音声を用いた学習によって音声の基底を生成するが、この音声基底は、多様な話者の多様な発話内容に基づく音声の基底である。本実施の形態では、入力部１０より入力音声フレームに基づいて、音声の基底を学習する。すなわち、活性化度算出部２１にて、入力音声フレームのスペクトル特徴量から音声の基底とその活性化度を求めると、データ選別部２４は、求められた音声基底に近い特徴量を有するクリーン音声を選別する。そして、基底学習部２２は、選別されたクリーン音声を用いて、音声の基底の再学習を行う。

【0057】

本実施の形態の音声区間検出装置６は、発話者や発話内容の特徴に応じて、音声の基底をカスタマイズし、音声区間検出の精度を高めることができる。なお、発話者の性別や発話内容（例えば、車載機器に対する指示命令に限定される場合）等があらかじめわかっている場合には、データ選別部２４は、それらの情報に基づいてクリーン音声を選別し、基底学習部２２に渡してもよい。このように、本実施の形態の音声区間検出装置６は、発話者の特徴・発話内容に応じた使用者のカスタマイズを非常に行いやすい構成である。

【0058】

（第７の実施の形態）
図９は、第７の実施の形態の音声区間検出装置７の構成を示す図である。第７の実施の形態の音声区間検出装置７の基本的な構成は、第４の実施の形態の音声区間検出装置４と同じであるが、第７の実施の形態の音声区間検出装置７は、第４の実施の形態の音声区間検出装置４の構成に加えて騒音抑圧部２５を備えており、活性化度算出部２１にて求めた音声基底及びその活性化度を利用して騒音抑圧の処理を行う点が異なる。

【0059】

このように、騒音抑圧部２５を組み合わせることで比較的低コストに騒音抑圧処理を行うことが可能である。出力部１４は、騒音抑圧された音声データも出力する。なお、本実施の形態では、第４の実施の形態の音声区間検出装置４に対して騒音抑圧部２５を付加した例を挙げているが、第５の実施の形態や第６の実施の形態の音声区間検出装置５，６に対して、騒音抑圧部２５を加えることももちろん可能である。

【0060】

以上、本発明の音声区間検出装置について、実施の形態を挙げて詳細に説明したが、本発明の音声区間検出装置は上記した実施の形態に限定されるものではない。上記した実施の形態では、事後確率算出部による事後確率の算出に、音響尤度Ｌを用いる例（第１〜第３の実施の形態）と、基底および活性化度を用いる例（第４〜第７の実施の形態）を説明したが、音響尤度Ｌと基底及び活性化度を組み合わせて用いてもよく、これにより、いっそうの性能向上を期待できる。

【産業上の利用可能性】

【0061】

本発明は、入力音声フレームの音声区間を検出する装置として有用である。

【符号の説明】

【0062】

１〜７ 音声区間検出装置
１０ 入力部
１１ 特徴量算出部
１２ 事後確率算出部
１３ 判定部
１４ 出力部
１５ 音声モデル記憶部
１６ 騒音モデル記憶部
１７ 音響尤度算出部
１８ 音響モデル
１９ ベクトル変換部
２１ 活性化度算出部
２２ 基底学習部
２３ クリーン音声記憶部
２４ データ選別部
２５ 騒音抑圧部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】