特許 7532791 音響処理装置、音響処理プログラム及び音響処理方法

(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】

(24)【登録日】2024-08-05

(45)【発行日】2024-08-14

(54)【発明の名称】音響処理装置、音響処理プログラム及び音響処理方法

(51)【国際特許分類】

   G10K 11/175 20060101AFI20240806BHJP

   G10L 21/007 20130101ALI20240806BHJP

【ＦＩ】

G10K11/175

G10L21/007

【請求項の数】 8

(21)【出願番号】P 2020020057

(22)【出願日】2020-02-07

(65)【公開番号】P2021124684

(43)【公開日】2021-08-30

【審査請求日】2022-11-08

(73)【特許権者】

【識別番号】000000295

【氏名又は名称】沖電気工業株式会社

(74)【代理人】

【識別番号】100180275

【弁理士】

【氏名又は名称】吉田 倫太郎

(74)【代理人】

【識別番号】100161861

【弁理士】

【氏名又は名称】若林 裕介

(72)【発明者】

【氏名】川畑 尚也

【審査官】佐久 聖子

(56)【参考文献】

【文献】特表２００５－５３４０６１（ＪＰ，Ａ）

【文献】特開２００８－２３３６７２（ＪＰ，Ａ）

【文献】特開２０１２－００８３９３（ＪＰ，Ａ）

【文献】特開２０１４－１９９４４５（ＪＰ，Ａ）

【文献】特開２０２１－０３２９８９（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ１０Ｋ １１／００－１３／００

Ｇ１０Ｌ １３／００－１３／１０

Ｇ１０Ｌ １５／００－１７／２６

Ｇ１０Ｌ １９／００－９９／００

(57)【特許請求の範囲】

【請求項1】

対象話者が発話中の音声を収音するマイクから供給されたマイク入力信号を音声信号と認識可能な所定の長さの蓄積用フレーム単位で蓄積する入力信号蓄積手段と、
前記対象話者が発話中に前記入力信号蓄積手段に蓄積されている過去の蓄積用フレームから、前記対象話者が発話した音声を聞き取りにくくさせるマスカー信号の生成に使用するマスカー素片信号を選択し、選択結果を出力する信号選択手段と、
前記対象話者が発話中に前記信号選択手段が選択した前記マスカー素片信号を用いて、前記マスカー信号を生成して出力するマスカー信号生成手段と
を有することを特徴とする音響処理装置。

【請求項2】

前記マイク入力信号のピッチ推定値を算出するピッチ推定手段をさらに備え、
前記入力信号蓄積手段は、それぞれの前記蓄積用フレームについて前記ピッチ推定手段が算出した前記ピッチ推定値に基づくピッチ推定情報と共に蓄積し、
前記信号選択手段は、それぞれの前記蓄積用フレームの前記ピッチ推定情報に基づいて作成した前記蓄積用フレームのピッチを示す値である蓄積用フレームピッチを取得し、現在の前記マイク入力信号の前記ピッチ推定値と、それぞれの前記蓄積用フレームの前記蓄積用フレームピッチとの比較結果に基づいて、いずれかの前記蓄積用フレームを前記マスカー素片信号として選択する
ことを特徴とする請求項１に記載の音響処理装置。

【請求項3】

前記信号選択手段は、現在の前記マイク入力信号のピッチ推定値と、より近い前記蓄積用フレームピッチとなる前記蓄積用フレームを、前記マスカー素片信号として選択することを特徴とする請求項２に記載の音響処理装置。

【請求項4】

前記マスカー素片信号を遅延させる遅延時間を算出する遅延時間計算手段をさらに備え、
前記マスカー信号生成手段は、前記信号選択手段が選択した前記マスカー素片信号を、前記遅延時間計算手段で算出した前記遅延時間の分遅延させた遅延信号を用いて、前記マスカー信号を生成することを特徴とする請求項１～３のいずれかに記載の音響処理装置。

【請求項5】

前記遅延時間計算手段は、現在の前記マイク入力信号と前記信号選択手段が選択した前記マスカー素片信号に基づいて前記遅延時間を算出することを特徴とする請求項４に記載の音響処理装置。

【請求項6】

前記マスカー信号生成手段が出力した前記マスカー信号を前記対象話者以外のマスキング対象者に向けて放出するスピーカをさらに有することを特徴とする請求項１～５のいずれかに記載の音響処理装置。

【請求項7】

コンピュータを、
対象話者が発話中の音声を収音するマイクから供給されたマイク入力信号を音声信号と認識可能な所定の長さの蓄積用フレーム単位で蓄積する入力信号蓄積手段と、
前記対象話者が発話中に前記入力信号蓄積手段に蓄積されている過去の蓄積用フレームから、前記対象話者が発話した音声を聞き取りにくくさせるマスカー信号の生成に使用するマスカー素片信号を選択し、選択結果を出力する信号選択手段と、
前記対象話者が発話中に前記信号選択手段が選択した前記マスカー素片信号を用いて、前記マスカー信号を生成して出力するマスカー信号生成手段と
して機能させることを特徴とする音響処理プログラム。

【請求項8】

音響処理装置が行う音響処理方法において、
入力信号蓄積手段、信号選択手段、及びマスカー信号生成手段を有し、
前記入力信号蓄積手段は、対象話者が発話中の音声を収音するマイクから供給されたマイク入力信号を音声信号と認識可能な所定の長さの蓄積用フレーム単位で蓄積し、
前記信号選択手段は、前記対象話者が発話中に前記入力信号蓄積手段に蓄積されている過去の蓄積用フレームから、前記対象話者が発話した音声を聞き取りにくくさせるマスカー信号の生成に使用するマスカー素片信号を選択し、選択結果を出力し、
前記マスカー信号生成手段は、前記対象話者が発話中に前記信号選択手段が選択した前記マスカー素片信号を用いて、前記マスカー信号を生成して出力する
ことを特徴とする音響処理方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、音響処理装置、音響処理プログラム及び音響処理方法に関し、例えば、発話している話者の周囲の第三者に対して、会話の内容が漏れることを防ぐ手法として用いられるサウンドマスキング処理に適用し得る。

【背景技術】

【0002】

近年、不特定多数の人が存在する施設（例えば、病院、薬局、銀行等）の受付カウンター、窓口、打合せスペース等で、話者と会話の相手が会話を行うと、会話の内容が周囲の第三者に漏洩することが問題になっている。

【0003】

第三者に会話内容の漏洩を防ぐことをスピーチプライバシーと言い、スピーチプライバシーを実現するために、音のマスキング効果が利用されている。

【0004】

マスキング効果とは、ある音（以下、対象音）が聞こえている状態で、対象音に近い音響特性（例えば、周波数特性、ピッチ、フォルマント等）を持つ別の音が存在した場合、その対象音が聞き取りにくくなる（マスクされる）現象である。一般的にマスクする音をマスカー、マスクされる対象音をマスキーと呼ばれている。

【0005】

このマスキング効果を利用して第三者に会話内容の漏洩を防止（スピーチプライバシーを保護）する技術が特許文献１によって提案されている。

【0006】

特許文献１に記載の音声処理方法は、マイクの入力音声信号のスペクトル包絡とスペクトル微細構造を抽出し、抽出したスペクトル包絡を変形して変形スペクトル包絡を生成する。そして、変形スペクトル包絡及び抽出したスペクトル微細構造を合成して変形スペクトルを生成し、変形スペクトルに基づいて生成した信号を「マスカー信号」として出力することで会話音声の内容が第三者に聞かれないようにする音声処理方法である。

【先行技術文献】

【特許文献】

【0007】

【文献】特開２００６－２４３１７８号公報

【発明の概要】

【発明が解決しようとする課題】

【0008】

しかしながら、特許文献１に記載の音声処理方法では、マイクの入力音声信号のスペクトル包絡を抽出し、スペクトル包絡を変形させて変形スペクトル包絡を生成し、スペクトル微細構造と合成してマスカー信号生成に使用する信号として使用している。このため、話者の音声信号を変形して生成されたマスカー信号は人工的な音になってしまい、マスカー信号が不快な音になる可能性がある。

【0009】

さらに、音声のスペクトル包絡は時間とともに変化しているので、スペクトル包絡を抽出するには、処理周期を短時間（約８０ミリ秒から１６０ミリ秒）で行う必要がある。このため、処理周期が短時間でスペクトル包絡を変形させた信号がマスカー信号として出力され続けるので、さらに人工的な音になってしまい、マスカー信号が不快な音になる可能性がある。

【0010】

以上のような問題に鑑みて、音声を発話する話者（以下、「対象話者」と呼ぶ）の音響特徴量の解析を行わずに高いマスキング効果を実現できる音響処理装置、音響処理プログラム及び音響処理方法が望まれている。

【課題を解決するための手段】

【0011】

第１の本発明の音響処理装置は、（１）対象話者が発話中の音声を収音するマイクから供給されたマイク入力信号を音声信号と認識可能な所定の長さの蓄積用フレーム単位で蓄積する入力信号蓄積手段と、（２）前記対象話者が発話中に前記入力信号蓄積手段に蓄積されている過去の蓄積用フレームから、前記対象話者が発話した音声を聞き取りにくくさせるマスカー信号の生成に使用するマスカー素片信号を選択し、選択結果を出力する信号選択手段と、（３）前記対象話者が発話中に前記信号選択手段が選択した前記マスカー素片信号を用いて、前記マスカー信号を生成して出力するマスカー信号生成手段とを有することを特徴とする。

【0012】

第２の本発明の音響処理装置は、コンピュータを、（１）対象話者が発話中の音声を収音するマイクから供給されたマイク入力信号を音声信号と認識可能な所定の長さの蓄積用フレーム単位で蓄積する入力信号蓄積手段と、（２）前記対象話者が発話中に前記入力信号蓄積手段に蓄積されている過去の蓄積用フレームから、前記対象話者が発話した音声を聞き取りにくくさせるマスカー信号の生成に使用するマスカー素片信号を選択し、選択結果を出力する信号選択手段と、（３）前記対象話者が発話中に前記信号選択手段が選択した前記マスカー素片信号を用いて、前記マスカー信号を生成して出力するマスカー信号生成手段として機能させることを特徴とする。

【0013】

第３の本発明は、音響処理装置が行う音響処理方法において、（１）入力信号蓄積手段、信号選択手段、及びマスカー信号生成手段を有し、（２）前記入力信号蓄積手段は、対象話者が発話中の音声を収音するマイクから供給されたマイク入力信号を音声信号と認識可能な所定の長さの蓄積用フレーム単位で蓄積し、（３）前記信号選択手段は、前記対象話者が発話中に前記入力信号蓄積手段に蓄積されている過去の蓄積用フレームから、前記対象話者が発話した音声を聞き取りにくくさせるマスカー信号の生成に使用するマスカー素片信号を選択し、選択結果を出力し、（４）前記マスカー信号生成手段は、前記対象話者が発話中に前記信号選択手段が選択した前記マスカー素片信号を用いて、前記マスカー信号を生成して出力することを特徴とする。

【発明の効果】

【0014】

本発明によれば、マスカー信号を生成するために使用する信号の長さを長くすることで、生成したマスカー信号が人工的な音にならないので、マスカー信号の不快感を軽減できる音響処理装置、音響処理プログラム及び音響処理方法を提供することができる。

【図面の簡単な説明】

【0015】

【図1】第１の実施形態に係るサウンドマスキング装置の機能的構成を示すブロック図である。

【図2】第１の実施形態に係るサウンドマスキング装置のハードウェア構成の例について示したブロック図である。

【図3】第１の実施形態に係るサウンドマスキング装置で生成したマスカー信号を出力するイメージ図（その１）である。

【図4】第１の実施形態に係るサウンドマスキング装置で生成したマスカー信号を出力するイメージ図（その２）である。

【図5】第２の実施形態に係るサウンドマスキング装置の機能的構成を示すブロック図である。

【図6】第３の実施形態に係るサウンドマスキング装置の機能的構成を示すブロック図である。

【図7】第４の実施形態に係るサウンドマスキング装置の機能的構成を示すブロック図である。

【図8】第５の実施形態に係るサウンドマスキング装置の機能的構成を示すブロック図である。

【発明を実施するための形態】

【0016】

（Ａ）第１の実施形態
以下、本発明による音響処理装置、音響処理プログラム、及び音響処理方法の第１の実施形態を、図面を参照しながら詳述する。この実施形態では、本発明の音響処理装置、音響処理プログラム及び音響処理方法を、サウンドマスキング装置に適用した例について説明する。

【0017】

（Ａ－１）第１の実施形態の構成
図１は、この実施形態に係るサウンドマスキング装置１００の機能的構成を示すブロック図である。

【0018】

サウンドマスキング装置１００は、マイク１０１、マイクアンプ１０２、ＡＤ変換器１０３、ＤＡ変換器１０４、スピーカアンプ１０５、スピーカ１０６、及びサウンドマスキング処理部２００を有している。

【0019】

マイク１０１は、人の音声や音等の空気振動を電気信号に変換するものである。

【0020】

マイクアンプ１０２は、マイク１０１により受音（収音）された電気信号を増幅するものである。

【0021】

ＡＤ変換器１０３は、マイクアンプ１０２により増幅された電気信号（アナログ信号）をデジタル信号に変換するものである。以下、ＡＤ変換器１０３から出力されるデジタル信号を「マイク入力信号」と呼ぶものとする。

【0022】

サウンドマスキング処理部２００は、入力されたマイク入力信号から、マイク入力信号をマスクする信号マスカー信号を生成し、出力する。

【0023】

ＤＡ変換器１０４は、サウンドマスキング処理部２００から出力された出力信号（デジタル信号）を電気信号（アナログ信号）に変換するものである。

【0024】

スピーカアンプ１０５は、ＤＡ変換器１０４から出力される電気信号を増幅するものである。

【0025】

スピーカ１０６は、電気信号を空気の振動に変換して音として出力するものである。

【0026】

次に、サウンドマスキング処理部２００の詳細な構成を説明する。

【0027】

サウンドマスキング処理部２００は、フレーム分割部２０１、長時間フレーム信号作成部２０２、ＤＢ（データベース）書込み部２０３、入力信号ＤＢ２０４、フレーム信号ＤＢ２０５、フレーム信号選択部２０６、遅延時間計算部２０７、マスカー信号生成部２０８、音入力端子ＩＮ、及び音出力端子ＯＵＴを有している。

【0028】

音入力端子ＩＮは、マイク入力信号をサウンドマスキング処理部２００に入力するインタフェース（オーディオインタフェース）のである。

【0029】

フレーム分割部２０１は、サウンドマスキング処理部２００に入力されたマイク入力信号を所定の長さ（以下、「フレーム長Ｌ１」と表す）のフレーム（以下、「分割フレーム」と呼ぶ）に分割して出力する。フレーム長Ｌ１は、一般的に音声を解析するのに適した長さを適用することが望ましい。例えば、フレーム分割部２０１において、フレーム長Ｌ１は、１００～２００ｍｓｅｃとしても良い。そして、フレーム分割部２０１は、分割したフレーム信号（以下、「分割フレーム信号」と呼ぶ）を出力する。

【0030】

長時間フレーム信号作成部２０２は、分割フレーム信号を所定の長さ（以下、「フレーム長Ｌ２」と表す）のフレーム（以下、「長時間フレーム」と呼ぶ）に結合して出力する。フレーム長Ｌ２（分割フレームを結合する長さ；分割フレームを結合する数）は、音声信号の単語，もしくは文章として認識できる程度の長さ（人間が耳で聞いたときに人間が発話した単語若しくは文章の一部であると認識できる程度の長さ）を適用することが望ましい。例えば、長時間フレーム信号作成部２０２において、フレーム長Ｌ２は、分割フレーム信号を３フレームから５フレーム結合した長さ（例えば、Ｌ２＝Ｌ２×３からＬ２＝Ｌ２×５）としても良く、音の分節単位（例えば、モーラの長さ１モーラから２モーラ）の長さになるように結合しても良く、時間単位（例えば、３００ｍｓ～１０００ｍｓｅｃの範囲のいずれかの長さ）としても良い。そして、長時間フレーム信号作成部２０２は、結合した長時間のフレーム信号（以下、「長時間フレーム信号」と呼ぶ）を出力する。

【0031】

ＤＢ書込み部２０３は、長時間フレーム信号を入力信号ＤＢ２０４のフレーム信号ＤＢ２０５に書込む。入力信号ＤＢ２０４は、過去の各長時間フレーム信号を長時間フレーム毎に蓄積（保持）する記憶手段である。入力信号ＤＢ２０４内のデータ形式については限定されないものであるが、ここでは、入力信号ＤＢ２０４は、過去の長時間フレーム信号を蓄積するフレーム信号ＤＢ２０５で構成されているものとする。フレーム信号選択部２０６は、入力信号ＤＢ２０４のフレーム信号ＤＢ２０５に蓄積されている過去の長時間フレーム信号を、マスカー信号を生成するために使用する信号（以下、「マスカー素片信号」と呼ぶ）として、複数フレーム選択し、選択結果を出力する。

【0032】

遅延時間計算部２０７は、フレーム信号選択部２０６の選択結果を基に、選択された過去の長時間フレーム信号をマスカー素片信号として入力信号ＤＢ２０４のフレーム信号ＤＢ２０５から複数フレーム読み出し、読み出した複数フレームのマスカー素片信号と現在の分割フレーム信号に基づいて、マスキング効果が最も高くなるマスカー素片信号の遅延時間を算出し、算出した遅延時間を出力する。

【0033】

マスカー信号生成部２０８は、フレーム信号選択部２０６の選択結果と遅延時間計算部２０７で算出したマスカー素片信号の遅延時間を基に、選定されたマスカー素片信号を入力信号ＤＢ２０４のフレーム信号ＤＢ２０５から複数フレームの読み出し、読み出した複数フレームのマスカー素片信号を遅延時間計算部２０７で計算した遅延時間だけ遅延させた信号を使用してマスカー信号を生成し、出力する。

【0034】

音出力端子ＯＵＴは、マスカー信号生成部２１０で生成したマスカー信号をＤＡ変換器１０４に出力するインタフェース（オーディオインタフェース）である。

【0035】

サウンドマスキング処理部２００は、全てをハードウェア的に構成（例えば、専用ボードやＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）を用いて構築）するようにしても良いし、ソフトウェア的にコンピュータを用いて構成するようにしても良い。サウンドマスキング処理部２００は、例えば、メモリ及びプロセッサを有するコンピュータにプログラム（実施形態に係る音響処理プログラムを含む）をインストールして構成するようにしても良い。

【0036】

なお、この実施形態では、ＡＤ変換器１０３及びＤＡ変換器１０４を、サウンドマスキング処理部２００の外に配置しているが、サウンドマスキング処理部２００にＡＤ変換器１０３及びＤＡ変換器１０４を搭載した構成としても良い。

【0037】

図２では、サウンドマスキング処理部２００をソフトウェア（コンピュータ）的に実現する際の構成について示している。

【0038】

図２に示すサウンドマスキング処理部２００は、コンピュータ３００を用いてソフトウェア的に構成されている。コンピュータ３００には、プログラム（実施形態の音響処理プログラムを含むプログラム）がインストールされている。なお、コンピュータ３００は、音響処理プログラム専用のコンピュータとしても良いし、他の機能のプログラムと共用される構成としても良い。

【0039】

図２に示すコンピュータ３００は、プロセッサ３０１、一次記憶部３０２、及び二次記憶部３０３、音入力端子ＩＮ、及び音出力端子ＯＵＴを有している。音入力端子ＩＮ、及び音出力端子ＯＵＴは、図１に示した要素と同じである。

【0040】

一次記憶部３０２は、プロセッサ３０１の作業用メモリ（ワークメモリ）として機能する記憶手段であり、例えば、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等の高速動作するメモリが適用される。

【0041】

二次記憶部３０３は、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）やプログラムデータ（実施形態に係る音響処理プログラムのデータを含む）等の種々のデータを記録する記憶手段であり、例えば、ＦＬＡＳＨメモリやＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の不揮発性メモリが適用される。

【0042】

この実施形態のコンピュータ３００では、プロセッサ３０１が起動する際、二次記憶部３０３に記録されたＯＳやプログラム（実施形態に係る音響処理プログラムを含む）を読み込み、一次記憶部３０２上に展開して実行する。なお、コンピュータ３００の具体的な構成は図２の構成に限定されないものであり、種々の構成を適用することができる。例えば、一次記憶部３０２が不揮発メモリ（例えば、ＦＬＡＳＨメモリ等）でありば、二次記憶部３０３については除外した構成としても良い。

【0043】

（Ａ－２）第１の実施形態の動作
次に、以上のような構成を有するこの第１の実施形態のサウンドマスキング装置１００の動作（実施形態の音響処理方法）を説明する。

【0044】

サウンドマスキング装置１００の動作が開始し、サウンドマスキング装置１００の対象話者Ｕ１がマイク１０１に向かって音声を発話すると、マイク１０１に音声信号が入力される。

【0045】

マイク１０１に入力されたアナログの音声信号は、電気信号（アナログ信号）に変換され、マイクアンプ１０２で増幅され、ＡＤ変換器１０３でアナログ信号からデジタル信号に変換され、サウンドマスキング処理部２００の音入力端子ＩＮにマイク入力信号ｘ（ｎ）として入力される。なお、マイク入力信号ｘ（ｎ）において、ｎは入力信号の離散的な時系列を示すパラメータである。

【0046】

サウンドマスキング処理部２００の音入力端子ＩＮにマイク入力信号ｘ（ｎ）が入力され始めると、フレーム分割部２０１に入力される。

【0047】

フレーム分割部２０１は、マイク入力信号ｘ（ｎ）を分割フレーム信号のフレーム長Ｌ１に分割する。フレーム分割部２０１は、例えば、（１）式に従い、マイク入力信号ｘ（ｎ）を分割フレーム毎に分割する。

【数1】

【0048】

（１）式で、ｘ＿ｆｒａｍ（ｌ；ｍ）は分割フレーム信号、ｌはフレーム番号、ｍは当該分割フレーム内の時間（ｍ＝０、１、２、・・・、Ｌ１－１）である。

【0049】

フレーム分割部２０１は、分割フレーム信号ｘ＿ｆｒａｍ（ｌ；ｍ）を、長時間フレーム信号作成部２０２、及び遅延時間計算部２０７に出力する。

【0050】

長時間フレーム信号作成部２０２は、分割フレーム信号を長時間フレーム信号のフレーム長Ｌ２に結合する。長時間フレーム信号作成部２０２が長時間フレームを作成する具体的手法については限定されないものであり種々の方式を適用することができる。長時間フレーム信号作成部２０２は、例えば、分割フレーム信号を分割フレームで結合する場合は、（２）式に従い、長時間フレーム信号ｘ＿ｆｒａｍ＿ｌｏｎｇ（ｓ）を作成するようにしても良い。

【数2】

【0051】

（２）式で、ｉはインデックス（ｉ＝０、１、２、・・・、Ｉ－１）、Ｉは長時間フレーム信号に用いられる分割フレームの数（以下、「使用フレーム数」と呼ぶ）である（Ｉ＝Ｌ２／Ｌ１）。

【0052】

また、長時間フレーム信号ｘ＿ｆｒａｍ＿ｌｏｎｇ（ｓ）の作成手法は、例えば、（３）式、（４）式に従い、長時間フレーム信号ｘ＿ｆｒａｍ＿ｌｏｎｇ（ｓ）を作成するようにしても良い。

【数3】

【0053】

（３）式で、ｓは長時間フレーム内の時間（ｓ＝０、１、２、・・・、Ｌ２－Ｌ１－１）、である。（３）式は、長時間フレーム力信号ｘ＿ｆｒａｍ＿ｌｏｎｇ（ｓ）を分割フレーム長Ｌ１だけ前にシフトし、（４）式は、長時間フレーム信号ｘ＿ｆｒａｍ＿ｌｏｎｇ（ｓ）の後ろに分割フレーム信号ｘ＿ｆｒａｍ（ｌ；ｍ）を格納するという式である。また、分割フレーム信号ｘ＿ｆｒａｍ（ｌ；ｍ）を時間単位で結合しても良い。

【0054】

長時間フレーム信号作成部２０２は、長時間フレーム信号ｘ＿ｆｒａｍ＿ｌｏｎｇ（ｓ）をＤＢ書込み部２０３に出力する。

【0055】

ＤＢ書込み部２０３は、長時間フレーム信号ｘ＿ｆｒａｍ＿ｌｏｎｇ（ｔ）を入力信号ＤＢ２０４のフレーム信号ＤＢ２０５に書込む。ＤＢ書込み部２０３は、例えば、（５）式に従い、長時間フレーム信号ｘ＿ｆｒａｍ＿ｌｏｎｇ（ｔ）を長時間フレーム毎に入力信号ＤＢ２０４のフレーム信号ＤＢ２０５ＤＢ＿ｓｉｎｇａｌ（ｊ；ｔ）に書込む。

【数4】

【0056】

（５）式で、ｔは長時間フレーム内の時間（ｔ＝０、１、２、・・・、Ｌ２－１）、ｊは入力信号ＤＢ２０４のフレーム信号ＤＢ２０５に長時間フレーム信号が書込まれるとインクリメン卜されるインデックス（ｊ＝０、１、２、・・・、ＤＢ＿ＬＥＮ－１；主キー；長時間フレームの識別子）、ＤＢ＿ＬＥＮはデータベース長である。（５）式と（６）式に示すように、フレーム信号ＤＢ２０５ＤＢ＿ｓｉｎｇａｌ（ｊ；ｔ）に長時間フレーム毎に長時間フレーム信号ｘ＿ｆｒａｍ＿ｌｏｎｇ（ｓ）が蓄積される。

【0057】

入力信号ＤＢ２０４は、過去の各長時間フレーム信号を蓄積（保持）する記憶手段である。

【0058】

上述の通り、この実施形態の入力信号ＤＢ２０４には、フレーム信号ＤＢ２０５が含まれている。ここでは、フレーム信号ＤＢ２０５に各長時間フレーム信号ｘ＿ｆｒａｍ＿ｌｏｎｇ（ｔ）が蓄積されることになる。

【0059】

フレーム信号選択部２０６は、入力信号ＤＢ２０４のフレーム信号ＤＢ２０５に蓄積されている過去の長時間フレーム信号をマスカー素片信号として複数フレーム選択する。フレーム信号選択部２０６がマスカー素片信号の選択する具体的手法については限定されないものであり種々の方式を適用することができる。フレーム信号選択部２０６は、例えば、（７）式に示すようにフレーム選択結果Ｔ（ｐ）を選択する。

【数5】

【0060】

（７）式で、ｐ（ｐ＝０、１・・・、ＳＥＬ＿ＮＵＭ－１）は選択したフレーム選択結果Ｔ（ｐ）のインデックス、ＳＥＬ＿ＮＵＭ（ＳＥＬ＿ＮＵＭ＜＝ＤＢ＿ＬＥＮ－１）はマスカー素片信号の選択数、ｊは（６）式のデータベースのインデックスである。（７）式は、入力信号ＤＢ２０４のフレーム信号ＤＢ２０５に保持されている長時間フレーム信号を時間的に新しい順番で選択し、選択した長時間フレーム信号が保持されているデータベースのインデックス番号をＴ（ｐ）に代入するという式である。

【0061】

また、マスカー素片信号の選択手法は、例えば、（８）式に従いマスカー素片信号を選択するようにしても良い。

【数6】

【0062】

（８）式で、ｒａｎｄ（ｐ）は自然数ｐに対して乱数を生成する関数である。（８）式は、ＭＯＤ関数を使用してｒａｎｄ（ｐ）で生成した乱数をＤＢ＿ＬＥＮ－１で除割ったときの剰余を返すことで、入力信号ＤＢ２０４のフレーム信号ＤＢ２０５に保持されている長時間フレーム信号からランダムに選択される。

【0063】

以上のように、フレーム信号選択部２０６は、フレーム信号ＤＢ２０５に保持されている長時間フレーム信号から複数フレーム選択し、選定結果Ｔ（ｐ）を遅延時間計算部２０７とマスカー信号生成部２０８に出力する。

【0064】

遅延時間計算部２０７は、フレーム信号選択部２０６の選定結果Ｔ（ｐ）を基に入力信号ＤＢ２０４のフレーム信号ＤＢ２０５からマスカー素片信号を読出し、マスカー素片信号とフレーム分割部２０１から出力された分割フレーム信号ｘ＿ｆｒａｍ（ｌ；ｍ）に基づいて、マスキング効果が最も高くなるようにマスカー素片信号の遅延時間を算出し、算出した遅延時間を出力する。遅延時間計算部２０７、例えば、（９）式に従い、遅延量ｄｅｌａｙ（ｌ；ｐ）を算出するようにしても良い。

【数7】

【0065】

（９）式で、τ１（τ１＝０、１・・・、Ｌ１－１）は相互相関関数の遅延量、ｃｒｏｓｓ＿ｃｏｒｒ（ｌ；τ１）はマスカー素片信号の相互相関関数である。（９）式と（１０）式は、マスカー素片信号と分割フレーム信号ｘ＿ｆｒａｍ（ｌ；ｍ）の相互相関関数ｃｒｏｓｓ＿ｃｏｒｒ（ｌ；ｋ）を求め、相互相関関数ｃｒｏｓｓ＿ｃｏｒｒ（ｌ；ｋ）が最大になるインデックスτ１を求めて遅延量ｄｅｌａｙ（ｌ；ｐ）に代入するという式である。

【0066】

遅延時間計算部２０７は、算出した遅延量ｄｅｌａｙ（ｌ；ｐ）をマスカー信号生成部２０８に出力する。

【0067】

マスカー信号生成部２０８は、フレーム信号選択部２０６の選択結果Ｔ（ｐ）を基に、マスカー素片信号を入力信号ＤＢ２０４のフレーム信号ＤＢ２０５から複数フレーム読み出し、遅延時間計算部２０７で計算された遅延量ｄｅｌａｙ（ｌ；ｐ）だけ遅延させマスカー信号を生成する。マスカー信号生成部２０８がマスカー信号を生成する具体的手法については限定されないものであり種々の方式を適用することができる。マスカー信号生成部２１０は、例えば、（１１）式に従い、マスカー信号ｈ（ｌ；ｔ）を生成する。

【数8】

【0068】

（１１）式は、フレーム信号選択部２０６で選定された複数のマスカー素片信号を入力信号ＤＢ２０４のフレーム信号ＤＢ２０５から読み出し、読み出したマスカー素片信号を遅延量ｄｅｌａｙ（ｌ；ｐ）だけ遅延させから重畳して、マスカー信号ｈ（ｌ；ｔ）を生成する式である。

【0069】

そして、マスカー信号生成部２０８は、（１２）式に従い、マスカー信号ｈ（ｌ；ｔ）をオーバーラップ加算処理して出力信号ｙ（ｎ）として音出力端子ＯＵＴに出力する。

【数9】

【0070】

サウンドマスキング処理部２００の音出力端子ＯＵＴから出力されるマスカー信号ｙ（ｎ）は、ＤＡ変換器１０４でデジタル信号からアナログ信号に変換され、スピーカアンプ１０５で増幅されてからスピーカ１０６から出力される。

【0071】

図３、図４は、マイク１０１と、マイク１０１に向かって発話する対象話者Ｕ１と、対象話者Ｕ１の後ろ側に立っている対象話者Ｕ１以外の人（対象話者Ｕ１の発話する音声をマスカー信号で聞き取りづらくする対象の人：以下、「マスキング対象者」と呼ぶ）Ｕ２と、スピーカ１０６との配置関係（スピーカ１０６の配置構成）の例について示した図である。

【0072】

図３、図４では、スピーカ１０６から出力される直接音ＤＳ（Ｄｉｒｅｃｔ Ｓｏｕｎｄ）の指向性を点線で図示している。また、図３では、直接音が床ＦＲ（ＦＬＯＯＲ）に反射することにより発生する反射音ＲＳ（Ｒｅｆｌｅｃｔｅｄ Ｓｏｕｎｄ）の指向性を一点鎖線で図示している。

【0073】

図３では、スピーカ１０６は、対象話者Ｕ１の前方で膝程度の高さ、スピーカ１０６の振動面が下方向で、床ＦＲの表面に対して斜め方向に設置されていることで、直接音ＤＳが床ＦＲに反射し、反射した反射音ＲＳが対象話者Ｕ１の後方にいるマスキング対象者Ｕ２に伝わるように向けられた状態となっている。そして、スピーカ１０６から放射されたマスカー信号は、床ＦＲの表面に向けて出力され、床ＦＲに到達すると反射する。これにより、床ＦＲで反射したマスカー信号は、対象話者Ｕ１の後方にいるマスキング対象者Ｕ２にマスカー信号が伝わる。このとき、対象話者Ｕ１が発話する音声の直接音もマスキング対象者Ｕ２に伝わるが、マスカー信号によって、マスクされる。

【0074】

以上のように、スピーカ１０６の設置方法は、マスカー信号が対象話者Ｕ１に聞こえないように設置し、且つマスキング対象者Ｕ２にマスカー信号が聞こえるように設置できれば種々の設置方法を広く適用することができる。例えば、図４（ａ）に示しているように、対象話者Ｕ１の後ろにスピーカ１０６を設置できるスペースがあれば、対象話者Ｕ１の後ろにスピーカを設置して、直接スピーカ１０６の振動面をマスキング対象者Ｕ２に向けて出力するようにしても良いし、図４（ｂ）に示しているように、マスキング対象者Ｕ２の近くの床ＦＲにスピーカ１０６を埋め込むスペースがあれば、床ＦＲにスピーカ１０６を埋め込むようにして直接スピーカの１０６の振動面をマスキング対象者Ｕ２に向けてマスカー信号を出力するようにしても良いし、図４（ｃ）に示しているように、マスキング対象者Ｕ２の近くの天井ＣＥ（ＣＥＩＬＩＮＧ）にスピーカ１０６を設置できるスペースがあれば、天井ＣＥにスピーカ１０６を設置して、直接スピーカの１０６の振動面をマスキング対象者Ｕ２に向けてマスカー信号を出力するようにしても良い。

【0075】

（Ａ－３）第１の実施形態の効果
以上のように、第１の実施形態によれば、サウンドマスキング装置１００は、生成したマスカー信号を人工的な音（機械的な音）にしないため、対象話者の音声を音声信号として認識できる程度の長さ（人間が耳で聞いたときに人間が発話した単語若しくは文章の一部であると認識できる程度の長さ）である長時間フレーム長L２で入力信号ＤＢ２０４に蓄積し、入力信号ＤＢ２０５４蓄積されている過去の長時間フレーム信号を変形せずにマスカー素片信号として使用している。

【0076】

さらに、マスカー素片信号と分割フレーム信号の相関関数が最も大きくなる遅延量を計算し、遅延させてからマスカー信号を生成することで、対象話者の音声と生成したマスカー信号の相関が高くなりマスキング効果がより高くなるという効果を奏する。

【0077】

（Ｂ）第２の実施形態
以下、本発明による音響処理装置、音響処理プログラム及び音響処理方法の第２の実施形態を、図面を参照しながら詳述する。この実施形態では、本発明の音響処理装置、音響処理プログラム及び音響処理方法を、サウンドマスキング装置に適用した例について説明する。

【0078】

（Ｂ－１）第２の実施形態の構成
図５は、第２の実施形態に係るサウンドマスキング装置１００Ａの機能的構成について示したブロック図である。図５では、図１と同一部分又は対応部分には、同一符号又は対応符号を付している。

【0079】

以下では、第２の実施形態について、第１の実施形態との差異を中心に説明し、第１の実施形態と重複する部分については説明を省略する。

【0080】

第２の実施形態のサウンドマスキング装置１００Ａでは、サウンドマスキング処理部２００がサウンドマスキング処理部２００Ａに置き換わっている点で、第１の実施形態と異なっている。

【0081】

サウンドマスキング処理部２００Ａでは、音声区間判定部２０９とＤＢ蓄積判定部２１０とマスカー信号生成判定部２１１が追加され、さらに、ＤＢ書込み部２０３とフレーム信号選択部２０６とマスカー信号生成部２０８が、ＤＢ書込み部２０３Ａとフレーム信号選択部２０６Ａとマスカー信号生成部２０８Ａに置き換わっている点で、第１の実施形態と異なっている。

【0082】

第２の実施形態のサウンドマスキング装置１００Ａでは、音声区間判定部２０９とＤＢ蓄積判定部２１０が追加され、ＤＢ書込み部２０３Ａに置き換わったことにより、入力信号ＤＢ２０４のフレーム信号ＤＢ２０５に蓄積される長時間フレーム信号の蓄積方法が異なる点と、マスカー信号生成判定部２１１が追加されたことにより、マスカー信号の生成方法が異なる点と、フレーム信号選択部２０６Ａに置き換わったことによりとマスカー素片信号の選択方法が異なる点と、マスカー信号生成部２０８Ａに置き換わったことによりマスカー信号の生成方法が異なる点が第１の実施形態のサウンドマスキング装置１００と異なる。

【0083】

サウンドマスキング処理部２００Ａの詳細な構成を説明する。

【0084】

サウンドマスキング処理部２００Ａは、フレーム分割部２０１、長時間フレーム信号作成部２０２、音声区間判定部２０９、ＤＢ蓄積判定部２１０、ＤＢ書込み部２０３Ａ、入力信号ＤＢ２０４、フレーム信号ＤＢ２０５、マスカー信号生成判定部２１１、フレーム信号選択部２０６Ａ、遅延時間計算部２０７、マスカー信号生成部２０８Ａ、音入力端子ＩＮ、及び音出力端子ＯＵＴを有している。

【0085】

音声区間判定部２０９は、分割フレーム信号が音声区間か非音声区間（音声区間以外の区間）かを判定し、判定結果を出力する。

【0086】

ＤＢ蓄積判定部２１０は、音声区間判定部２０９の判定結果を基に、長時間フレーム信号をＤＢに書込んで蓄積するか蓄積しないかを判定し、判定結果を出力する。

【0087】

ＤＢ書込み部２０３Ａは、ＤＢ蓄積判定部２１０の分割フレーム信号をＤＢに書込んで蓄積するか蓄積しないかを判定結果を基に、長時間フレーム信号を入力信号ＤＢ２０４のフレーム信号ＤＢ２０５に書込む。

【0088】

マスカー信号生成判定部２１１は、音声区間判定部２０９の判定結果を基に、マスカー信号を生成するかしないかを判定し、判定結果を出力する。

【0089】

フレーム信号選択部２０６Ａは、マスカー信号生成判定部２１１の判定結果を基に、入力信号ＤＢ２０４のフレーム信号ＤＢ２０５に蓄積されている過去の長時間フレーム信号から、複数フレームマスカー素片信号を選択し、選択結果を出力する。

【0090】

なお、第２の実施形態において、マスカー信号生成判定部２１１を除外した構成としても良い。

【0091】

（Ｂ－２）第２の実施形態の動作
次に、以上のような構成を有する第２の実施形態におけるサウンドマスキング装置１００Ａの動作（実施形態に係る音響処理方法）について詳細に説明する。

【0092】

第２の実施形態に係るサウンドマスキング装置１００Ａにおけるサウンドマスキング処理の基本的な動作は、第１の実施形態で説明したサウンドマスキング処理と同様である。

【0093】

以下では、第１の実施形態と異なる点である音声区間判定部２０９、ＤＢ蓄積判定部２１０、ＤＢ書込み部２０３Ａ、マスカー信号生成判定部２１１、フレーム信号選択部２０６Ａ、マスカー信号生成判定部２０１１における動作を中心に詳細に説明する。

【0094】

フレーム分割部２０１は、マイク入力信号ｘ（ｎ）を分割フレーム信号のフレーム長Ｌ１に分割し、分割フレーム信号ｘ＿ｆｒａｍ（ｌ；ｍ）を、長時間フレーム信号作成部２０２、音声区間判定部２０９、及び遅延時間計算部２０７に出力する。

【0095】

音声区間判定部２０９は、分割フレーム信号ｘ＿ｆｒａｍ（ｌ；ｍ）を用いて、音声区間か非音声区間かを判定する。音声区間判定部２０９が音声区間か非音声区間かを判定する具体的手法については限定されないものであり種々の方式を適用することができる。音声区間判定部２０９は、例えば、（１３）式と（１４）式に従い音声区間か非音声区間かを判定する。

【数10】

【0096】

（１３）式と（１４）式で、ｘ＿ｆｒａｍ＿ａｍｐ（ｌ）は分割フレーム信号の平均振幅値、ＶＡＤ（ｌ）は音声区間判定結果、ＴＨは音声区間の判定に用いられる閾値である。（１３）式は、分割フレーム信号ｘ＿ｆｒａｍ（ｌ；ｍ）の平均振幅値ｘ＿ｆｒａｍ＿ａｍｐ（ｌ）を求める式であり、（１４）式は、（１３）式で求めた分割フレーム信号ｘ＿ｆｒａｍ（ｌ；ｍ）の平均振幅値ｘ＿ｆｒａｍ＿ａｍｐ（ｌ）が閾値ＴＨより値が大きければ音声区間と判定し音声区間判定結果ＶＡＤ（ｌ）に１を代入し、閾値ＴＨより値が小さければ非音声区間と判定し音声区間判定結果ＶＡＤ（ｌ）に０を代入するという式である。

【0097】

（１４）式の閾値ＴＨは、音声の有無を判定できれば良く、種々の方法を広く適用することができ、例えば、（１５）式に示すように、サウンドマスキング装置１００Ａが動作し始めてから所定の長さ（以下、「フレーム長Ｌ３」と表す）のフレーム（以下、「初期フレーム」と呼ぶ）を無音区間とし、その初期フレームの平均振幅値を閾値ＴＨとして使用する固定の閾値ＴＨを用いても良いし、（１６）式に示すように、ｘ＿ｆｒａｍ＿ａｍｐ（ｌ）に時定数フィルタを用いて分割フレーム毎に変動する閾値ＴＨ（ｌ）を用いても良い。

【数11】

【0098】

（１６）式で、ａは時定数フィルタの係数であり、０以上、１以下の値となる。（１６）式において、閾値の更新を遅くしたい場合ａは１に近い値が望ましく（例えばａ＝０．９等の値）、閾値の更新を速くしたい場合ａは０に近い値が望ましい（例えばａ＝０．１等の値）。

【0099】

なお、音声区間か非音声区間かの判定の手段は、種々の方法を広く適用することができ、例えば、分割フレーム信号ｘ＿ｆｒａｍ（ｌ；ｍ）の自己相関を求めて音声区間か非音声区間か求める等の方法で判定しても良い。

【0100】

音声区間判定部２０９は、音声区間判定結果ＶＡＤ（ｌ）をＤＢ蓄積判定部２１０とマスカー信号生成判定部２１１に出力する。

【0101】

ＤＢ蓄積判定部２１０は、音声区間判定部２０９の音声区間判定結果ＶＡＤ（ｌ）を基に、長時間フレーム信号ｘ＿ｆｒａｍ＿ｌｏｎｇ（ｓ）を入力信号ＤＢ２０３のフレーム信号ＤＢ２０４に蓄積するかしないかを判定する。判定手段は、例えば、（１７）式に従い判定する。

【数12】

【0102】

（１７）式で、ＤＢ＿ｆｌａｇ（ｌ）は蓄積するかしないかの判定結果である。（１７）式は、音声区間判定結果ＶＡＤ（ｌ）が１のとき、ＤＢに蓄積すると判定し、判定結果ＤＢ＿ｆｌａｇ（ｌ）に１を代入する。一方、音声区間判定結果ＶＡＤ（ｌ）が０のとき、ＤＢに蓄積しないと判定し、判定結果ＤＢ＿ｆｌａｇ（ｌ）に０を代入するという式である。

【0103】

ＤＢ蓄積判定部２１０は、ＤＢに蓄積するかしないかの判定結果ＤＢ＿ｆｌａｇ（ｌ）をＤＢ書込み部２０３Ａに出力する。

【0104】

ＤＢ書込み部２０３Ａは、ＤＢ蓄積判定部２１０から出力された判定結果ＤＢ＿ｆｌａｇ（ｌ）が１のときのみ、例えば、（５）式と（６）式に従い、長時間フレーム信号ｘ＿ｆｒａｍ＿ｌｏｎｇ（ｔ）を入力信号ＤＢ２０４のフレーム信号ＤＢ２０５に書込む。一方、ＤＢ蓄積判定部２１０の判定結果ＤＢ＿ｆｌａｇ（ｌ）が０のとき、長時間フレーム信号ｘ＿ｆｒａｍ＿ｌｏｎｇ（ｓ）を入力信号ＤＢ２０４のフレーム信号ＤＢ２０５に書込まない。

【0105】

マスカー信号生成判定部２１１は、音声区間判定部２０９の音声区間判定結果ＶＡＤ（ｌ）を基に、マスカー信号を生成するかしないかを判定する。判定手段は、例えば、（１８）式に従い判定する。

【数13】

【0106】

（１８）式で、ｍａｓｋ＿ｆｌａｇ（ｌ）はマスカー信号を生成するかしないかの判定結果である。（１８）式は、音声区間判定結果ＶＡＤ（ｌ）が１のとき、マスカー信号を生成すると判定し、判定結果ｍａｓｋ＿ｆｌａｇ（ｌ）に１を代入する。一方、音声区間判定結果ＶＡＤ（ｌ）が０のとき、マスカー信号を生成しないと判定し、判定結果ｍａｓｋ＿ｆｌａｇ（ｌ）に０を代入するという式である。

【0107】

マスカー信号生成判定部２１１は、マスカー信号を生成するかしないかの判定結果ｍａｓｋ＿ｆｌａｇ（ｌ）をフレーム信号選択部２０６Ａとマスカー信号生成部２０８Ａに出力する。

【0108】

フレーム信号選択部２０６Ａは、マスカー信号生成判定部２１１から出力されたマスカー信号を生成するかしないかの判定結果ｍａｓｋ＿ｆｌａｇ（ｌ）が１のときのみ、例えば、（７）式や（８）式に従いフレーム選択結果Ｔ（ｐ）を選択する。一方、マスカー信号を生成するかしないかの判定結果ｍａｓｋ＿ｆｌａｇ（ｌ）が０のとき、複数フレーム選択しない。

【0109】

以上のように、フレーム信号選択部２０６は、マスカー信号を生成するかしないかの判定結果ｍａｓｋ＿ｆｌａｇ（ｌ）が１のときのみ、フレーム信号ＤＢ２０５に保持されている長時間フレーム信号から複数フレーム選択し、選定結果Ｔ（ｐ）を遅延時間計算部２０７とマスカー信号生成部２０８Ａに出力する。

【0110】

マスカー信号生成部２０８Ａは、マスカー信号生成判定部２１１から出力されたマスカー信号を生成するかしないかの判定結果ｍａｓｋ＿ｆｌａｇ（ｌ）とフレーム信号選択部２０６の選択結果Ｔ（ｐ）を基に、入力信号ＤＢ２０４のフレーム信号ＤＢ２０５から過去の長時間フレーム信号をマスカー素片信号として読み出し、遅延時間計算部２０７で計算された遅延量ｄｅｌａｙ（ｌ；ｐ）だけ遅延さてマスカー信号を生成し出力する。マスカー信号生成部２０８Ａは、例えば、（１９）式に従い、マスカー信号ｈａ（ｌ；ｔ）を生成する。

【数14】

【0111】

（１９）式は、マスカー信号生成判定部２１１から出力されたマスカー信号を生成するかしないかの判定結果ｍａｓｋ＿ｆｌａｇ（ｌ）が１のときのみ、マスカー信号ｈ（ｌ；ｔ）を生成しｈａ（ｌ；ｔ）に代入する。一方、マスカー信号を生成するかしないかの判定結果ｍａｓｋ＿ｆｌａｇ（ｌ）が０のとき、ｈａ（ｌ；ｔ）に０（無音）を代入するという式である。

【0112】

以上のように、マスカー信号生成部２０８Ａは、マスカー信号を生成するかしないかの判定結果ｍａｓｋ＿ｆｌａｇ（ｌ）が１のときのみ、マスカー信号を生成する。

【0113】

そして、マスカー信号生成部２０８Ａは、（２０）式に従い、マスカー信号ｈａ（ｌ；ｔ）をオーバーラップ加算処理して出力信号ｙ（ｎ）として音出力端子ＯＵＴに出力する。

【数15】

【0114】

（Ｂ－３）第２の実施形態の効果
以上のように、第２の実施形態によれば、第２の実施形態のサウンドマスキング装置１００Ａでは、生成したマスカー信号を人工的な音（機械的な音）にしないため、音声信号として認識できる程度の長さで入力信号ＤＢ２０４に蓄積し、入力信号ＤＢ２０４に蓄積されている過去の長時間フレーム信号を変形せずにマスカー素片信号として使用し、マスカー素片信号を遅延させてからマスカー信号を生成することで、対象話者の音声と生成したマスカー信号の相関が高くなりマスキング効果がより高くなるという効果を奏する。

【0115】

また、音声区間と判定されたときのみ対象話者Ｕ１の音声を入力信号ＤＢ２０４のフレーム信号ＤＢ２０５に蓄積することで、音声区間のみ入力信号ＤＢ２０４に蓄積されるので、音声のみでマスカー信号を生成することができ、高いマスキング効果を維持できる。さらに、音声区間と判定されたときのみマスカー信号を生成するので、対象話者Ｕ１の音声が入力されているときだけマスカー信号を生成し、出力することができるので、音声が入力されたときのみマスカー信号が出力されるように構成することができる。

【0116】

（Ｃ）第３の実施形態
以下、本発明による音響処理装置、音響処理プログラム及び音響処理方法の第３の実施形態を、図面を参照しながら詳述する。この実施形態では、本発明の音響処理装置、音響処理プログラム及び音響処理方法を、サウンドマスキング装置に適用した例について説明する。

【0117】

（Ｃ－１）第３の実施形態の構成
図６は、第３の実施形態に係るサウンドマスキング装置１００Ｂの機能的構成について示したブロック図である。図６では、上述の図１、図５と同一部分又は対応部分には、同一符号又は対応符号を付している。

【0118】

以下では、第３の実施形態について、第１、及び第２の実施形態との差異を中心に説明し、第１と第２の実施形態と重複する部分については説明を省略する。

【0119】

第３の実施形態のサウンドマスキング装置１００Ｂでは、サウンドマスキング処理部２００Ａがサウンドマスキング処理部２００Ｂに置き換わっている点で、第２の実施形態と異なっている。

【0120】

サウンドマスキング処理部２００Ｂでは、ピッチ推定部２１２が追加され、ＤＢ蓄積判定部２１０とマスカー信号生成判定部２１１がそれぞれＤＢ蓄積判定部２１０Ｂとマスカー信号生成判定部２１１Ｂに置き換わっている点で、第２の実施形態と異なっている。

【0121】

第３の実施形態のサウンドマスキング装置１００Ｂでは、ピッチ推定部２１２が追加されたことにより分割フレーム信号のピッチを推定することが異なる点と、ＤＢ蓄積判定部２１０Ｂに置き換わったことにより入力信号ＤＢ２０４のフレーム信号ＤＢ２０５に蓄積される長時間フレーム信号の蓄積方法が異なる点と、マスカー信号生成判定部２１１Ｂに置き換わったことによりマスカー信号の生成方法が異なる点が第２の実施形態のサウンドマスキング装置１００と異なる。

【0122】

サウンドマスキング処理部２００Ｂの詳細な構成を説明する。

【0123】

サウンドマスキング処理部２００Ｂは、フレーム分割部２０１、長時間フレーム信号作成部２０２、音声区間判定部２０９、ピッチ推定部２１２、ＤＢ蓄積判定部２１０Ｂ、ＤＢ書込み部２０３Ａ、入力信号ＤＢ２０４、フレーム信号ＤＢ２０５、マスカー信号生成判定部２１１Ｂ、フレーム信号選択部２０６Ａ、遅延時間計算部２０７、マスカー信号生成部２０８Ａ、音入力端子ＩＮ、及び音出力端子ＯＵＴを有している。

【0124】

ピッチ推定部２１２は、音声区間判定部２０９から出力されるの音声区間判定の結果を基に、音声区間と判定されたときにのみ分割フレーム信号のピッチ（音声の高さ）を推定し、ピッチ推定結果（以下、「ピッチの推定値」と呼ぶ)を出力する。

【0125】

ＤＢ蓄積判定部２１０Ｂは、ピッチ推定部２１２のピッチの推定値を基に、分割フレーム信号を入力信号ＤＢ２０４のフレーム信号ＤＢ２０５に蓄積するか蓄積しないかを判定し、判定結果を出力する。

【0126】

マスカー信号生成判定部２１１Ｂは、ピッチ推定部２１２のピッチの推定値を基に、マスカー信号を生成するかしないかを判定し、判定結果を出力する。

【0127】

なお、第３の実施形態において、第１の実施形態と同様にマスカー信号生成判定部２１１Ｂを除外した構成としても良い。

【0128】

（Ｃ－２）第３の実施形態の動作
次に、以上のような構成を有する第３の実施形態におけるサウンドマスキング装置１００Ｂの動作（実施形態に係る音響処理方法）について詳細に説明する。

【0129】

第３の実施形態に係るサウンドマスキング処理部２００Ｂにおけるサウンドマスキング処理の基本的な動作は、第１、及び第２の実施形態で説明したサウンドマスキング処理と同様である。

【0130】

以下では、第２の実施形態と異なる点であるピッチ推定部２１２、ＤＢ蓄積判定部２１０Ｂ、マスカー信号生成判定部２１１Ｂにおける処理動作を中心に詳細に説明する。

【0131】

音声区間判定部２０９は、分割フレーム信号ｘ＿ｆｒａｍ（ｌ；ｍ）が音声区間か非音声区間かを、例えば、（１３）式から（１５）式に従って判定し、音声区間判定結果ＶＡＤ（ｌ）をピッチ推定部２１２に出力する。

【0132】

ピッチ推定部２１２は、音声区間判定部２０９で音声区間と判定された分割フレーム（ＶＡＤ（ｌ）＝１の分割フレーム）のみ、分割フレーム信号ｘ＿ｆｒａｍ（ｌ；ｍ）のピッチを推定する。ピッチ推定部２１２がピッチを推定する具体的手法については限定されないものであり種々の方式を適用することができる。ピッチ推定部２１２は、例えば、（２１）式から（２３）式に従い判定する。

【数16】

【0133】

（２１）式で、τ２（τ２＝０、１・・・、Ｌ１－１）は自己相関の遅延量、（２２）式で、ｆｓはサンプリング周波数、ｔｍｐ＿ｐｉｔｃｈ（ｌ）は一時的にピッチの推定値を保持する変数、（２３）式で、ｐｉｔｃｈ（ｌ）はピッチの推定値である。（２１）式は、分割フレーム信号ｘ＿ｆｒａｍ（ｌ；ｍ）の自己相関関数ｘ＿ｆｒａｍ＿ｃｏｒｒ（ｌ；τ２）を求め、（２２）式で、自己相関関数ｘ＿ｆｒａｍ＿ｃｏｒｒ（ｌ；τ２）が最大になる遅延量τ２を求めてサンプリング周波数ｆｓで割ることでピッチを推定し、一時的にｔｍｐ＿ｐｉｔｃｈ（ｌ）に代入している。そして、（２３）式で、音声区間判定結果ＶＡＤ（ｌ）が１のとき（音声区間のとき）ピッチの推定値ｐｉｔｃｈ（ｌ）にピッチの推定値を代入し、音声区間判定結果ＶＡＤ（ｌ）が０のとき（非音声区間のとき）ピッチの推定値ｐｉｔｃｈ（ｌ）に０を代入するという式である。

【0134】

なお、ピッチの推定手法は、種々の方法を広く適用することができ、例えば、分割フレーム信号ｘ＿ｆｒａｍ（ｌ；ｍ）を離散フーリエ変換や高速フーリエ変換を行ってからケプストラム分析を行い、ピッチを算出しても良い。

【0135】

ピッチ推定部２１２は、ピッチの推定値ｐｉｔｃｈ（ｌ）をＤＢ蓄積判定部２１０Ｂとマスカー信号生成判定部２１１Ｂに出力する。

【0136】

ＤＢ蓄積判定部２１０Ｂは、ピッチ推定部２１２のピッチの推定値ｐｉｔｃｈ（ｌ）を基に、長時間フレーム信号ｘ＿ｆｒａｍ＿ｌｏｎｇ（ｓ）を入力信号ＤＢ２０４のフレーム信号ＤＢ２０５に蓄積するかしないかを判定する。判定手段は、例えば、（２４）式に従い判定する。

【数17】

【0137】

（２４）式でＤＢ＿ｆｌａｇ（ｌ）は蓄積するかしないかの判定結果、ＴＨ＿ＰＩＴＣＨはＤＢに蓄積するかしないかの判定に用いられる閾値である。（２４）式は、ピッチの推定値ｐｉｃｔｈ（ｌ）が閾値ＴＨ＿ＰＩＴＣＨより値が大きければＤＢに蓄積すると判定し判定結果ＤＢ＿ｆｌａｇ（ｌ）に１を代入する。一方，閾値ＴＨ＿ＰＩＴＣＨより値が小さければＤＢに蓄積しないと判定し判定結果ＤＢ＿ｆｌａｇ（ｌ）に０を代入するという式である。

【0138】

閾値ＴＨ＿ＰＩＴＣＨは、ＤＢに蓄積するかしないかを判定できれば良く、種々の方法を広く適用することができ、例えば、ピッチ推定部２１２でｐｉｃｔｈ（ｌ）が０以外のときはＤＢに蓄積するとしてＴＨ＿ＰＩＴＣＨ＝０としも良いし、人の音声の基本周波数の下限値（例えば、１００Ｈｚ）以上としてＴＨ＿ＰＩＴＣＨ＝１００としても良い。

【0139】

ＤＢ蓄積判定部２１０Ｂは、ＤＢに蓄積するかしないかの判定結果ＤＢ＿ｆｌａｇ（ｌ）をＤＢ書込み部２０３Ａに出力する。

【0140】

マスカー信号生成判定部２１１Ｂは、ピッチ推定部２１２のピッチの推定値ｐｉｔｃｈ（ｌ）を基に、マスカー信号を生成するかしないかを判定する。判定手段は、例えば、（２５）式に従い判定する。

【数18】

【0141】

（２５）式で、ｍａｓｋ＿ｆｌａｇ（ｌ）はマスカー信号を生成するかしないかの判定結果、ＴＨ２＿ＰＩＴＣＨは蓄積するかしないかの判定に用いられる閾値である。（２５）式は、ピッチの推定値ｐｉｃｔｈ（ｌ）が閾値ＴＨ２＿ＰＩＴＣＨより値が大きければＤＢに蓄積すると判定し、判定結果ＤＢ＿ｆｌａｇ（ｌ）に１を代入する。一方、閾値ＴＨ２＿ＰＩＴＣＨより値が小さければマスカー信号を生成しないと判定し、判定結果ｍａｓｋ＿ｆｌａｇ（ｌ）に０を代入するという式である。

【0142】

閾値ＴＨ２＿ＰＩＴＣＨは、ＤＢに蓄積するかしないかを判定できれば良く、種々の方法を広く適用することができ、例えば、ピッチ推定部２１２でｐｉｃｔｈ（ｌ）が０以外のときはＤＢに蓄積するとしてＴＨ２＿ＰＩＴＣＨ＝０としも良いし、人の音声の基本周波数の下限値（例えば、１００Ｈｚ）以上としてＴＨ２＿ＰＩＴＣＨ＝１００としても良い。また、蓄積判定部２０９Ａで使用している（２４）式の閾値ＴＨ＿ＰＩＴＣＨと同じとしてＴＨ２＿ＰＩＴＣＨ＝ＴＨ＿ＰＩＴＣＨＤＢとしても良い。

【0143】

マスカー信号生成判定部２１１は、マスカー信号を生成するかしないかの判定結果ｍａｓｋ＿ｆｌａｇ（ｌ）をフレーム信号選択部２０６Ａに出力する。

【0144】

（Ｃ－３）第３の実施形態の効果
以上のように、第３の実施形態によれば、第３の実施形態のサウンドマスキング装置１００Ｂでは、生成したマスカー信号を人工的な音（機械的な音）にしないため、音声信号として認識できる程度の長さで入力信号ＤＢ２０４に蓄積し、入力信号ＤＢ２０４に蓄積されている過去の長時間フレーム信号を変形せずにマスカー素片信号として使用し、マスカー素片信号を遅延させてからマスカー信号を生成することで、対象話者の音声と生成したマスカー信号の相関が高くなりマスキング効果がより高くなるという効果を奏する。

【0145】

また、対象話者Ｕ1の音声のピッチを推定し、ピッチの推定値をＤＢ蓄積判定部２１０Ｂやマスカー信号生成判定部２１１Ｂに使用することで、音声区間で有声音のみ入力信号ＤＢ２０４に蓄積されるので、音声のみでマスカー信号を生成することができ、高いマスキング効果を維持できる。さらに、音声区間で有声音と判定されるときのみマスカー信号を生成するので、対象話者Ｕ１の音声が入力されているときだけマスカー信号を生成し、出力している。これにより、音声が入力されたときのみマスカー信号が出力されるように構成することができる。

【0146】

（Ｄ）第４の実施形態
以下、本発明による音響処理装置、音響処理プログラム及び音響処理方法の第４の実施形態を、図面を参照しながら詳述する。この実施形態では、本発明の音響処理装置、音響処理プログラム及び音響処理方法を、サウンドマスキング装置に適用した例について説明する。

【0147】

（Ｄ－１）第４の実施形態の構成
図７は、第４の実施形態に係るサウンドマスキング装置１００Ｃの機能的構成について示したブロック図である。図７では、上述の図１、図５、及び図６と同一部分又は対応部分には、同一符号又は対応符号を付している。

【0148】

以下では、第４の実施形態について、第１、第２、及び第３の実施形態との差異を中心に説明し、第１、第２、及び第３の実施形態と重複する部分については説明を省略する。

【0149】

第４の実施形態のサウンドマスキング装置１００Ｃでは、サウンドマスキング処理部２００Ｂがサウンドマスキング処理部２００Ｃに置き換わっている点で、第２の実施形態と異なっている。

【0150】

サウンドマスキング処理部２００Ｃでは、長時間ピッチ推定情報作成部２１３とピッチ情報ＤＢ２１４が追加されている点と、さらに、ＤＢ書込み部２０３Ａと入力信号ＤＢ２０４とフレーム信号選択部２０６Ａが、ＤＢ書込み部２０３Ｃと入力信号ＤＢ２０４Ｃとフレーム信号選択部２０６Ｃに置き換っている点で、第３の実施形態と異なっている。

【0151】

第４の実施形態のサウンドマスキング装置１００Ｃでは、長時間ピッチ推定情報作成部２１３と、ピッチ情報ＤＢ２１４が追加され、入力信号ＤＢ２０４Ｃに置き換わったことにより、入力信号ＤＢにピッチが蓄積されるようになった点と、ＤＢ書込み部２０３Ｃに置き換わったことにより入力信号ＤＢ２０４Ｃの蓄積方法が異なる点と、フレーム信号選択部２０６Ｃに置き換わったことによりとマスカー素片信号の選択方法が異なる点が第３の実施形態のサウンドマスキング処理部２００Ｂと異なる。

【0152】

サウンドマスキング処理部２００Ｃの詳細な構成を説明する。

【0153】

サウンドマスキング処理部２００Ｃは、フレーム分割部２０１、長時間フレーム信号作成部２０２、音声区間判定部２０９、ピッチ推定部２１２、長時間ピッチ推定情報作成部２１３、ＤＢ蓄積判定部２１０Ｂ、ＤＢ書込み部２０３Ｃ、入力信号ＤＢ２０４Ｃ、フレーム信号ＤＢ２０５、ピッチ推定情報ＤＢ２１４、マスカー信号生成判定部２１１Ｂ、フレーム信号選択部２０６Ｃ、遅延時間計算部２０７、マスカー信号生成部２０８Ａ、音入力端子ＩＮ、及び音出力端子ＯＵＴを有している。

【0154】

長時間ピッチ推定情報作成部２１３は、ピッチ推定部２１２で推定された分割フレームごとのピッチの推定値に基づいて長時間フレームのピッチ推定情報（以下、「長時間ピッチ推定情報」と呼ぶ）を作成し、長時間ピッチ推定情報を出力する。

【0155】

ＤＢ書込み部２０３Ｃは、ＤＢ蓄積判定部２１０ＢのＤＢに蓄積するか蓄積しないかを判定結果を基に、長時間フレーム信号を入力信号ＤＢ２０４Ｃのフレーム信号ＤＢ２０５に、長時間ピッチ推定情報を入力信号ＤＢ２０４Ｃのピッチ推定情報ＤＢ２１４に書込む。

【0156】

入力信号ＤＢ２０４Ｃは、過去の長時間フレーム信号と、過去の各長時間ピッチ推定情報を長時間フレーム毎に対応づけて蓄積（保持）する記憶手段である。入力信号ＤＢ２０４Ｃ内のデータ形式については限定されないものであるが、ここでは、入力信号ＤＢ２０４Ｃは、過去の長時間フレーム信号を蓄積したフレーム信号ＤＢ２０５と、過去の長時間ピッチ推定情報を蓄積したピッチ情報ＤＢ２１４で構成されているものとする。

【0157】

フレーム信号選択部２０６Ｃは、マスカー信号生成判定部２１１Ｂの判定結果と、ピッチ推定部２１２のピッチの推定値と入力信号ＤＢ２０４Ｃのピッチ推定情報ＤＢ２１４に蓄積されている過去の長時間ピッチ推定情報との比較結果を基に、入力信号ＤＢ２０４Ｃのフレーム信号ＤＢ２０５からマスカー素片信号を選択し、選択結果を出力する。

【0158】

なお、第４の実施形態において、第１の実施形態と同様にマスカー信号生成判定部２１１Ｂを除外した構成としても良い。

【0159】

（Ｄ－２）第４の実施形態の動作
次に、以上のような構成を有する第４の実施形態におけるサウンドマスキング装置１００Ｃの動作（実施形態に係る音響処理方法）について詳細に説明する。

【0160】

第４の実施形態に係るサウンドマスキング処理部２００Ｃにおけるサウンドマスキング処理の基本的な動作は、第１、第３、及び第２の実施形態で説明したサウンドマスキング処理と同様である。

【0161】

以下では、第３の実施形態と異なる点である長時間ピッチ推定情報作成部２１３、ＤＢ書込み部２０３Ｃ、入力信号ＤＢ２０４Ｃ、フレーム信号選択部２０６Ｃにおける処理動作を中心に詳細に説明する。

【0162】

ピッチ推定部２１２は、分割フレーム信号ｘ＿ｆｒａｍ（ｌ；ｍ）のピッチを推定し、ピッチの推定値ｐｉｔｃｈ（ｌ）を長時間ピッチ推定情報作成部２１３とＤＢ蓄積判定部２１０Ｂとマスカー信号生成判定部２１１Ｂとフレーム信号選択部２０６Ｃに出力する。

【0163】

長時間ピッチ推定情報作成部２１３は、ピッチ推定部２１２で推定された分割フレーム信号のピッチの推定値ｐｉｔｃｈ（ｌ）を結合して、長時間フレーム信号ｘ＿ｆｒａｍ＿ｌｏｎｇ（ｓ）の長時間ピッチ推定情報を作成する。長時間ピッチ推定情報作成部２０４は、例えば、（２６）式に従い、ピッチの推定値を結合して長時間ピッチ推定情報ｐｉｔｃｈ＿ｌｏｎｇ（ｉ）を作成するようにしても良い。

【0164】

（２６）式では、長時間フレーム信号を作成するときに使用されてた分割フレーム信号のピッチの推定値ｐｉｔｃｈ（ｌ）を結合して長時間ピッチ推定情報ｐｉｔｃｈ＿ｌｏｎｇ（ｉ）を作成する処理を行うことを示している。

【数19】

【0165】

そして、長時間ピッチ推定情報作成部２１３は作成した長時間ピッチ推定情報ｐｉｔｃｈ＿ｌｏｎｇ（ｉ）をＤＢ書込み部２０３Ｃに出力する。ＤＢ書込み部２０３Ｃは、ＤＢ蓄積判定部２１０Ｂから出力された判定結果ＤＢ＿ｆｌａｇ（ｌ）に基づいて、長時間フレームｘ＿ｆｒａｍ＿ｌｏｎｇ（ｔ）と長時間ピッチ推定情報ｐｉｔｃｈ＿ｌｏｎｇ（i）とを入力信号ＤＢ２０４のフレーム信号ＤＢ２０５とピッチ推定情報ＤＢ２１４に対応付けて書き込む。ＤＢ書込み部２０３Ｃは、ＤＢ蓄積判定部２１０Ｂから出力された判定結果ＤＢ＿ｆｌａｇ（ｌ）が１のときのみ、例えば、（５）式、（２７）式、（６）式に従い、長時間フレーム信号ｘ＿ｆｒａｍ＿ｌｏｎｇ（ｔ）をフレーム信号ＤＢ２０５のＤＢ＿ｓｉｎｇａｌ（ｊ；ｔ）に書込まれ、同時に長時間ピッチ推定情報ｐｉｔｃｈ＿ｌｏｎｇ（ｉ）をピッチ推定情報ＤＢ２１４ＤＢ＿ｐｉｔｃｈ（ｉ）に書込む。一方、ＤＢ蓄積判定部２１０Ｂの判定結果ＤＢ＿ｆｌａｇ（ｌ）が０のとき、長時間フレーム信号ｘ＿ｆｒａｍ＿ｌｏｎｇ（ｓ）と長時間ピッチ推定情報ｐｉｔｃｈ＿ｌｏｎｇ（ｉ）を入力信号ＤＢ２０４Ｃのフレーム信号ＤＢ２０５とピッチ推定情報ＤＢ２１４に書込まない。

【数20】

【0166】

入力信号ＤＢ２０４Ｃは、長時間フレームｘ＿ｆｒａｍ＿ｌｏｎｇ（ｔ）と長時間ピッチ推定情報ｐｉｔｃｈ＿ｌｏｎｇ（ｉ）とを入力信号ＤＢ２０４のフレーム信号ＤＢ２０５とピッチ推定情報ＤＢ２１４に対応付けて蓄積（保持）する。

【0167】

上述の通り、この実施形態の入力信号ＤＢ２０４Ｃには、フレーム信号ＤＢ２０５とピッチ情報ＤＢ２１４とが含まれている。ここでは、フレーム信号ＤＢ２０５に各長時間フレーム信号ｘ＿ｆｒａｍ＿ｌｏｎｇ（ｔ）が記録され、ピッチ情報ＤＢ２１４には、長時間ピッチ推定情報ｐｉｔｃｈ＿ｌｏｎｇ（ｉ）が記録されることになる。

【0168】

フレーム信号選択部２０６Ｃは、マスカー信号生成判定部２１１から出力されたマスカー信号を生成するかしないかの判定結果ｍａｓｋ＿ｆｌａｇ（ｌ）を基に、ピッチ推定部２１２のピッチの推定値（現在の分割フレームに基づくピッチ）と、入力信号ＤＢ２０４Ｃのピッチ情報ＤＢ２１４に蓄積されている過去の長時間ピッチ推定情報を比較し、ピッチ推定部２１２のピッチの推定値と近いピッチ情報（近いピッチの値）を持つ長時間フレーム信号をマスカー素片信号として選択する。フレーム信号選択部２０６Ｃは、マスカー信号生成判定部２１１から出力されたマスカー信号を生成するかしないかの判定結果ｍａｓｋ＿ｆｌａｇ（ｌ）が１のときのみ、例えば、（２８）式や（２９）式に従い、フレーム選択結果Ｔｃ（ｐ）を選択する。一方、マスカー信号を生成するかしないかの判定結果ｍａｓｋ＿ｆｌａｇ（ｌ）が０のとき、フレーム選択結果Ｔｃ（ｐ）を選択しない。

【数21】

【0169】

（２８）式で、ＤＢ＿ｐｉｔｃｈ＿ａｖｅ（ｉ）は過去の長時間ピッチ推定情報の平均値、（２９）式で、Ｓｕｂ＿ｐｉｔｃｈ（ｊ）はピッチの推定値ｐｉｔｃｈ（ｌ）と過去の長時間ピッチ推定情報の平均値とＤＢ＿ｐｉｔｃｈ＿ａｖｅ（ｉ）の差の絶対値、（３０）式で、Ｔｃ（ｐ）は選択したフレーム番号、ｐ（ｐ＝０、１・・・、ＳＥＬ＿ＮＵＭ－１）は、選択フレーム数である。また、（３０）式のｓｍａｌｌ(ｘ（ｋ）、ｐ)は、配列ｘ（ｋ）でｐ番目に小さいｘ（ｋ＿ｐ）のインデックスｋ＿ｐを出力する関数である。（２６）式と（２７）式は、インデックスｊごとにピッチ情報ＤＢ２１４に蓄積されている過去の長時間ピッチ推定情報の平均値ＤＢ＿ｐｉｔｃｈ＿ａｖｅ（ｉ）を算出し、ピッチ推定部２１２のピッチの推定値ｐｉｔｃｈ（ｌ）と過去のピッチ推定情報の平均値ＤＢ＿ｐｉｔｃｈ＿ａｖｅ（ｉ）の差の絶対値が最も小さいインデックスｊ（長時間フレーム）をマスカー素片信号として複数フレーム選択する式である。

【0170】

なお、フレーム信号選択部２０６Ｃは、ピッチ情報ＤＢ２１４に蓄積されている過去の長時間フレームごとに、長時間ピッチ推定情報に基づく当該長時間フレーム全体のピッチを示す値（以下、「長時間フレームピッチ」と呼ぶ）を算出し、ピッチ推定部２１２のピッチの推定値と長時間フレームピッチとの比較結果に基づいてマスカー素片信号として選択する長時間フレームを選択するようにしても良い。例えば、フレーム信号選択部２０６Ｃは、ピッチ推定部２１２のピッチの推定値と近い値の長時間フレームピッチを備える長時間フレームを、マスカー素片信号として選択するようにしても良い。

【0171】

以上のように、フレーム信号選択部２０６Ｃは、ピッチ推定部２１２のピッチの推定値と近いピッチ情報（近いピッチの値）を持つ長時間フレーム信号（インデックス）をマスカー素片信号として選定し、フレーム選択結果Ｔｃ（ｐ）を出力する。

【0172】

（Ｄ－３）第４の実施形態の効果
以上のように、第４の実施形態によれば、第４の実施形態のサウンドマスキング装置１００Ｃでは、生成したマスカー信号を人工的な音（機械的な音）にしないため、音声信号として認識できる程度の長さで入力信号ＤＢ２０４Ｃに蓄積し、入力信号ＤＢ２０４Ｃに蓄積されている過去の長時間フレーム信号を変形せずにマスカー素片信号として使用し、マスカー素片信号を遅延させてからマスカー信号を生成することで、対象話者の音声と生成したマスカー信号の相関が高くなりマスキング効果がより高くなるという効果を奏する。

【0173】

また、対象話者Ｕ1の音声のピッチを推定し、ピッチの推定値から長時間ピッチ情報を作成して入力信号ＤＢ２０４Ｃに蓄積し、フレーム信号選択部で使用することで、ピッチが近い長時間フレーム信号をフレーム信号ＤＢ２０５から選択することができ、スカー信号の周波数特性が対象話者Ｕ１の音声のピッチに近くなり、マスキング効果が高いマスカー信号を生成することができる。

【0174】

（Ｅ－１）第５の実施形態の構成
以下、本発明による音響処理装置、音響処理プログラム及び音響処理方法の第５の実施形態を、図面を参照しながら詳述する。この実施形態では、本発明の音響処理装置、音響処理プログラム及び音響処理方法を、サウンドマスキング装置に適用した例について説明する。

【0175】

（Ｅ－１）第５の実施形態の構成
図８は、第５の実施形態に係るサウンドマスキング装置１００Ｄの機能的構成について示したブロック図である。図８では、上述の図１、図５、図６、及び図７と同一部分又は対応部分には、同一符号又は対応符号を付している。

【0176】

以下では、第５の実施形態について、第１、第２、第３、及び第４の実施形態との差異を中心に説明し、第１、第２、第３、及び第４の実施形態と重複する部分については説明を省略する。

【0177】

第５の実施形態のサウンドマスキング装置１００Ｄでは、サウンドマスキング処理部２００Ｃがサウンドマスキング処理部２００Ｄに置き換わっている点で、第２の実施形態と異なっている。

【0178】

サウンドマスキング処理部２００Ｄでは、遅延時間計算部２０７が遅延時間計算部２０７Ｄに置き換っている点で、第４の実施形態と異なっている。

【0179】

第５の実施形態のサウンドマスキング装置１００Ｄでは、遅延時間計算部２０７Ｄに置き換わったことにより、遅延時間の計算方法が異なる点が第４の実施形態のサウンドマスキング処理部２００Ｃと異なる。

【0180】

サウンドマスキング処理部２００Ｄの詳細な構成を説明する。

【0181】

サウンドマスキング処理部２００Ｄは、フレーム分割部２０１、長時間フレーム信号作成部２０２、音声区間判定部２０９、ピッチ推定部２１２、長時間ピッチ推定情報作成部２１３、ＤＢ蓄積判定部２１０Ｂ、ＤＢ書込み部２０３Ｃ、入力信号ＤＢ２０４Ｃ、フレーム信号ＤＢ２０５、ピッチ推定情報ＤＢ２１４、マスカー信号生成判定部２１１Ｂ、フレーム信号選択部２０６Ｃ、遅延時間計算部２０７Ｄ、マスカー信号生成部２０８Ａ、音入力端子ＩＮ、及び音出力端子ＯＵＴを有している。

【0182】

遅延時間計算部２０７Ｄは、フレーム信号選択部２０６Ｃで選択された長時間フレームをマスカー素片信号として入力信号ＤＢ２０５の信号ＤＢ２０６から読み出し、読みだしたマスカー素片信号と現在の分割フレーム信号に基づいてマスカー素片信号の遅延時間をマスキング効果が最も高くなるように計算し、計算した遅延時間を出力する。

【0183】

なお、第５の実施形態において、第１の実施形態と同様にマスカー信号生成判定部２１１Ｂを除外した構成としても良い。

【0184】

（Ｅ－２）第５の実施形態の動作
次に、以上のような構成を有する第５の実施形態におけるサウンドマスキング装置１００Ｄの動作（実施形態に係る音響処理方法）について詳細に説明する。

【0185】

第５の実施形態に係るサウンドマスキング処理部２００Ｄにおけるサウンドマスキング処理の基本的な動作は、第１、第２、第３、及び第４の実施形態で説明したサウンドマスキング処理と同様である。

【0186】

以下では、第４の実施形態と異なる点である遅延時間計算部２０７Ｄにおける処理動作を中心に詳細に説明する。

【0187】

ピッチ推定部２１２は、分割フレーム信号ｘ＿ｆｒａｍ（ｌ；ｍ）のピッチを推定し、ピッチの推定値を長時間ピッチ推定情報作成部２１３とＤＢ蓄積判定部２１０Ｂとマスカー信号生成判定部２１１Ｂとフレーム信号選択部２０６Ｃ、遅延時間計算部２０７Ｄに出力する。

【0188】

遅延時間計算部２０７Ｄは、フレーム信号選択部２０６Ｃで選定されたマスカー素片信号として選択された長時間フレーム信号を入力信号ＤＢ２０４Ｃのフレーム信号ＤＢ２０５から読出し、ピッチ推定部２１２のピッチの推定値と入力信号ＤＢ２０４Ｃのピッチ推定情報ＤＢ２１４ＤＢ＿ｐｉｔｃｈ（ｊ；ｉ）に基づいて、マスカー素片信号の遅延時間をマスキング効果が最も高くなるように計算し、計算した遅延時間を出力する。遅延時間計算部２０７Ｄ、例えば、（２９）式と（３２）式に従い、遅延量ｄｅｌａｙ＿Ｄ（ｌ；ｐ）を算出するようにしても良い。

【数22】

【0189】

（３１）式で、Ｓｕｂ＿ｐｉｔｃｈ２（ｐ；ｌ）はピッチの推定値ｐｉｔｃｈ（ｌ）と過去の長時間ピッチ推定情報ＤＢ＿ｐｉｔｃｈ（ｊ；ｉ）の差の絶対値、ｄｅｌａｙ＿Ｄ（ｌ；ｐ）は算出した遅延量である。（３１）式と（３２）式は、ピッチの推定値ｐｉｔｃｈ（ｌ）と過去の長時間ピッチ推定情報ＤＢ＿ｐｉｔｃｈ（ｊ；ｉ）の差の絶対値Ｓｕｂ＿ｐｉｔｃｈ２（ｐ；ｌ）が最も小さいインデックスiを遅延量とし、遅延量ｄｅｌａｙ＿Ｄ（ｌ；ｐ）に代入するという式である。

【0190】

遅延時間計算部２０７Ｄは、算出した遅延量ｄｅｌａｙ＿Ｄ（ｌ；ｐ）をマスカー信号生成部２１０に供給する。

【0191】

（Ｅ－３）第１の実施形態の効果
以上のように、第５の実施形態によれば、第５の実施形態のサウンドマスキング装置１００Ｄでは、生成したマスカー信号を人工的な音（機械的な音）にしないため、音声信号として認識できる程度の長さで入力信号ＤＢ２０４Ｃに蓄積し、入力信号ＤＢ２０４Ｃに蓄積されている過去の長時間フレーム信号を変形せずにマスカー素片信号として使用し、マスカー素片信号を遅延させてからマスカー信号を生成することで、対象話者の音声と生成したマスカー信号の相関が高くなりマスキング効果がより高くなるという効果を奏する。

【0192】

また、対象話者Ｕ1の音声のピッチを推定し、ピッチの推定値から長時間ピッチ情報を作成して入力信号ＤＢ２０４Ｃに蓄積し、遅延時間計算部２０７Ｄで使用することで、ピッチが近くなるようにマスカー素片信号を遅延する出来るようになり、マスキング効果が高いマスカー信号を生成することができる。

【0193】

（Ｆ）他の実施形態
本発明は、上記の各実施形態に限定されるものではなく、以下に例示するような変形実施形態も挙げることができる。

【0194】

（Ｆ－１）例えば、上記の実施形態のサウンドマスキング装置１００を電話会議で周囲の対象者以外の人に対して、会話の内容が漏れることを防止する装置に搭載されるようにしても良い。この場合、サウンドマスキング装置において、対象話者Ｕ１は電話会議で発話している人となる。

【0195】

（Ｆ－２）上記の実施形態において、サウンドマスキング装置１００の、サウンドマスキング処理部２００は、ネットワーク上の処理装置（例えば、サーバなど）で処理される構成としても良い。

【0196】

（Ｆ－３）上記の実施形態において、サウンドマスキング装置１００には、オーディオデバイス（マイク、マイクアンプ、ＡＤ変換器、スピーカ、スピーカアンプ、及びＤＡ変換器）が含まれる構成として説明したが、サウンドマスキング装置１００からオーディオデバイスを除外した構成として製造し、実際に使用する現場でオーディオデバイスを別途接続するようにしても良い。すなわち、サウンドマスキング装置１００には、少なくともサウンドマスキング処理部２００が含まれる構成としても良い。

【0197】

（Ｆ－４）上記の実施形態のサウンドマスキング装置１００では、複数の分割フレームを用いて長期フレームを構成しているが、マイク入力信号から直接同様の長期フレームを取得して入力信号ＤＢ２０４（フレーム信号ＤＢ２０５）に蓄積するようにしても良い。その際、長時間ピッチ推定情報作成部２１３は、長期フレームを１つのフレームとみなして、分割フレームと同様の処理によりピッチを推定する処理を行い、その推定結果を長時間ピッチ推定情報として入力信号ＤＢ２０４（ピッチ推定情報ＤＢ２１４）に蓄積するようにしても良い。

【符号の説明】

【0198】

１００、１００Ａ、１００Ｂ、１００Ｃ、１００Ｄ…サウンドマスキング装置、１０１…マイク、１０２…マイクアンプ、１０３…ＡＤ変換器、１０４…ＤＡ変換器、１０６…スピーカ、１０５…スピーカアンプ、２００、２００Ａ、２００Ｂ、２００Ｃ、２００Ｄ…サウンドマスキング処理部、２０１…フレーム分割部、２０２…長時間フレーム信号作成部２０３、２０３Ａ、２０３Ｃ…ＤＢ書込み部、２０４、２０４Ｃ…入力信号ＤＢ、２０５…フレーム信号ＤＢ、２０６、２０６Ａ、２０６Ｃ…フレーム信号選択部、２０７、２０７Ｄ…遅延時間計算部、２０８、２０８Ａ…マスカー信号生成部、２０９…音声区間判定部、２１０、２１０Ｂ…ＤＢ蓄積判定部、２１１、２１１Ｂ…マスカー信号生成判定部、２１２…ピッチ推定部、２１３…長時間ピッチ推定情報作成部、２１４…ピッチ推定情報ＤＢ、ＩＮ…音入力端子、ＯＵＴ…音出力端子、３００…コンピュータ、３０１…プロセッサ、３０２…一次記憶部、３０３…二次記憶部。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】