JP2007065636A - 音声通信システムにおいて快適雑音を生成する方法および装置 - Google Patents

Abstract

【課題】 ネットワーク帯域幅利用を減少させつつより高い品質を達成すべく、音声通信システムにおいて快適雑音を生成すること。
【解決手段】快適雑音生成のために種々の電子機器で使用され得る方法は、音声に背景雑音を加えたものを示す複数の情報フレームを受け取る工程（７０５）、複数の情報フレームに基づいて１または複数の背景雑音特性を推定する工程（７１０）、および１または複数の背景雑音特性に基づいて快適雑音信号を生成する工程（７１５）を含む。方法はさらに、複数の情報フレームから音声信号を生成する工程（７２０）、および音声活動検出に基づいて快適雑音信号と音声信号との間で切り替えを行うことにより出力信号を生成する工程（７２５）を含む。
【選択図】 図７

Description

本発明は、包括的には通信システムに関し、詳細には音声通信システムにおける快適雑音（comfort noise）の生成に関する。

移動通信サービスの増大する需要を満たすために、多くの現在の移動通信システムが、会話中にチャネルが４０％〜６０％の時間のみで音声情報を伝えているという事実を利用することにより、その容量を増加させている。残りの時間、チャネルはただ無言（silence）または背景雑音を送信するために使用される。多くの場合、チャネルの音声活動は４０％よりも低くさえある。不連続送信（ＤＴＸ）を始めとする従来の移動通信システムは、音声活動がない時間の間に減少させた情報量を送ることにより、チャネル容量のある程度の増加を提供している。

図１のタイミング図は、従来のＤＴＸシステムの典型的なアナログ音声信号１０５および対応のデータフレーム信号１１０を示す。ＤＴＸシステムでは、送信側は通常、音声活動検出器（ＶＡＤ）を使用して音声の存在を検出する。ＶＡＤ出力に基づいて、送信側は音声活動がある場合に活動音声フレーム１１５を送る。音声活動が検出されない場合、送信側は受信側に断続的に無言識別情報［無言記述子］（ＳＩＤ）フレーム１２０を送信し、音声が再び検出されるか、または更新ＳＩＤが必要とされるまで、活動音声フレームの送信を停止する。復号（受信）側は、ＳＩＤフレーム１２０を使用して、「快適(comfort)」雑音を生成する。ＳＩＤフレームが受け取られない間、デコーダは自身が受け取った最新のＳＩＤフレームに基づいて快適雑音を生成し続ける。従来のＤＴＸシステムの例は、3^rd Generation Partnership Project; Technical Specification Group Services and System Aspects; Mandatory speech codec speech processing functions, Adaptive Multi-Rate (AMR) speech codec Comfort noise aspects(Release 6)により発行された３ＧＰＰ ＴＳ ２６．０９２ Ｖ６．０．０（２００４−１２）仕様書に記載されている。

図２のタイミング図は、従来のＣＴＸシステムの典型的なアナログ音声信号２０５および対応のデータフレーム信号２１０を示す。ＣＴＸシステムでは、チャネルの音声活動を利用するために可変レートボコーダが使用され得る。これらのシステムでは、通信リンクの維持のために必要なビットレートは音声活動のない期間の間は減少される。ＶＡＤは、音声活動と送信されている音声フレームの種類とに従って送信ビットレートを変化させるレート判定サブシステムの一部である。そのような技術の例はＣＤＭＡシステムに使用される拡張変数レートコーデック（enhanced variable rate codec, ＥＶＲＣ）である。ＥＶＲＣは、３つの可能なビットレート（フル、ハーフ、および８つのレートフレーム）間で選択を行う。音声活動がない間は、８番目のレートフレームだけが送信され、それによりシステム内のチャネルによって利用される帯域幅が減少する。この技術は、システム全体の容量の増加を支援する。従来のＣＴＸシステムの例は、Enhanced Variable Rate Codec, Speech Service Option 3 for Wideband Spread Spectrum Digital Systemにより発行された３ＧＰＰ２ Ｃ．Ｓ００１４−Ａ Ｖ１．０（２００４年４月）に記載されている。

パケットベースの通信システムでは、ＤＴＸシステムやＣＴＸシステムで使用されるような可変レートコーデックを用いた帯域幅減少スキームは、大きな容量の増加は提供しない可能性がある。ＤＴＸネットワークではＳＩＤフレームは、例えば正常な音声フレームの帯域幅と同等な帯域幅を使い得る。ＣＴＸシステムの場合、可変レートコーデックを使用するという利点は、パケットベースのネットワークに重要な帯域幅減少を提供しない可能性がある。それは、減少されたビットレートフレームが、パケットベースのネットワークでは、音声活動フレームと同様の帯域幅を利用し得るという事実による。例えば、ＥＶＲＣが使用される場合、８番目のレートパケットは、各パケットに付加されているオーバーヘッド情報により、フルレートまたはハーフレートパケットと同様の帯域幅を利用し、それにより、他のタイプの通信チャネル上で得られる可変レートコーデックによって提供される容量の増加を無くす可能性がある。

ＥＶＲＣを使用してパケットベースのネットワークで帯域幅の利用を減少することへの１つのアプローチは、すべての８番目のレートパケットの送信を無くすことである。その場合、復号側で、欠落パケットはフレーム消去（frame erasure, ＦＥＲ）として取り扱われ得る。しかしながら、ＥＶＲＣのＦＥＲ取り扱いは、一連の消去された長いフレームを取り扱うようには設計されなかったため、ユーザに提示された信号を合成する際にこの技術は低品質の出力を生成する。また、デコーダは欠落した８番目のレートフレームによって表わされる背景雑音についての情報を受け取らないため、オリジナルの背景雑音信号に類似する信号を送信側で生成することができない。
米国特許第５，８７０，３９７号 米国特許第６，５７７，８６２号 米国特許第６，６０６，５９３号

したがって、ネットワーク帯域幅利用を減少させつつ、より高い品質を達成すべく、上述の方法を改善する必要がある。

上記問題点を解決するために、請求項１に記載の発明は、音声通信システムで快適雑音を生成する方法であって、音声に背景雑音を加えたものを示す複数の情報フレームを受け取る工程、前記複数の情報フレームに基づいて１または複数の背景雑音特性を推定する工程、および前記１または複数の背景雑音特性に基づいて快適雑音信号を生成する工程、を含む方法を要旨とする。

請求項２に記載の発明は、請求項１に記載の方法において、前記背景雑音特性を推定する工程は、複数の情報フレームのうちの先のフレームの対応する周波数チャネルの推定背景雑音エネルギー値と、現在のフレームの対応する周波数チャネルの推定チャネルエネルギー値とから、複数の情報フレームのうちの現在のフレームの複数の周波数チャネルの各々に対する現在の推定背景雑音エネルギー値を連続的に決定することを含むことを要旨とする。

請求項３に記載の発明は、請求項１に記載の方法において、前記背景雑音を推定する工程は、現在のフレームの対応する周波数チャネルの推定チャネルエネルギー値が、複数の周波数フレームのうちの先のフレームの対応する周波数チャネルの推定背景雑音エネルギー値よりも小さい場合に、複数の情報フレームのうちの現在のフレームの周波数チャネルの現在の推定背景雑音エネルギー値を、複数の情報フレームのうちの現在のフレームの対応する周波数チャネルの推定チャネルエネルギー値と等しく設定すること、およびそれ以外の場合に、複数の情報フレームのうちの現在のフレームの周波数チャネルの現在の推定背景雑音エネルギー値を、複数の周波数フレームのうちの先のフレームの対応する周波数チャネルの推定背景雑音エネルギー値に増分エネルギー値を加えたものに等しく設定することを含むことを要旨とする。

請求項４に記載の発明は、請求項１に記載の方法において、前記１または複数の背景雑音特性を推定する工程は、

から成り、式中、E_bgn(m,i) は複数の情報フレームのうちのｍ番目のフレームのｉ番目の周波数チャネルの推定背景雑音エネルギー値であり、E_ch(m,i)は複数の情報フレームのうちのｍ番目のフレームのｉ番目の周波数チャネルの推定チャネルエネルギー値であり、E_bgn(m-1,i) は複数の周波数フレームのうちの（ｍ−１）番目のフレームのｉ番目の周波数チャネルの推定背景雑音エネルギー値であり、Δは増分エネルギー値であることを要旨とする。

請求項５に記載の発明は、請求項１に記載の方法において、前記１または複数の背景雑音特性を推定する工程は、

から成り、式中、E_bgn（m,i ）は複数の情報フレームのうちのｍ番目のフレームのｉ番目の周波数チャネルの推定背景雑音エネルギー値であり、E_ch（m,i ）は複数の情報フレームのうちのｍ番目のフレームのｉ番目の周波数チャネルの推定チャネルエネルギー値であり、E_bgn（m-1,i ）は複数の周波数フレームのうちの（ｍ−１）番目のフレームのｉ番目の周波数チャネルの推定背景雑音エネルギー値であり、Δ₁ は第１の増分エネルギー値であり、Δ₂ は第２の増分エネルギー値であり、E_voiceは音声エネルギーを示すエネルギー値であることを要旨とする。

請求項６に記載の発明は、請求項１に記載の方法において、複数の情報フレームから音声信号を生成する工程、および音声活動検出に基づいて快適雑音信号と音声信号との間で切り替えを行うことにより出力信号を生成する工程をさらに含むことを要旨とする。

請求項７に記載の発明は、請求項１に記載の方法において、前記快適雑音信号を生成する工程は、背景雑音特性に由来するスペクトル成分の逆離散フーリエ変換を行うことを含むことを要旨とする。

請求項８に記載の発明は、プログラム命令のセットを含む処理システムを備えた、音声通信システムにおいて快適雑音を生成する装置であって、該プログラム命令のセットは１または複数のプロセッサを音声に背景雑音を加えたものを示す複数の情報フレームを受け取ること、前記複数の情報フレームに基づいて１または複数の背景雑音特性を推定すること、および前記１または複数の背景雑音特性に基づいて快適雑音信号を生成すること、を行わせるように制御するものであることを要旨とする。

請求項９に記載の発明は、請求項８に記載の装置において、情報フレームを含む無線信号を受け取る無線周波数受信機と、快適雑音を示すスピーカとをさらに備えたことを要旨とする。

請求項１０に記載の発明は、プログラム命令のセットを含む媒体であって、該プログラム命令のセットは１または複数のプロセッサを、音声に背景雑音を加えたものを示す複数の情報フレームを受け取ること、前記複数の情報フレームに基づいて１または複数の背景雑音特性を推定すること、および前記１または複数の背景雑音特性に基づいて快適雑音信号を生成すること、を行わせるように制御するために使用できるものであることを要旨とする。

添付図面は、別個の図全体を通じて同様な参照番号は同一又は機能的に類似の要素を示し、以下の詳細な説明と共に、本明細書に組み込まれ、その一部を形成する。添付図面はさらに、本発明に基づく様々な実施形態を例示すると共に様々な原理及び利点を説明する役割を果たす。

当業者には、図中の要素が簡潔性と明瞭性を期すよう描かれており、必ずしも正しい縮尺ではないことが理解されるだろう。例えば、本発明の実施形態についての理解をより促すために、図中のいくつかの要素の寸法は、他の要素と比べて誇張されることがある。

本発明による詳しい実施形態を説明する前に、そのような実施形態は主として音声通信システムでの快適雑音の生成に関連する方法の工程および装置の構成要素の組み合わせに存在することに注意すべきである。従って、適当な場合、装置の構成要素および方法の工程は図中の従来の記号によって表され、ここでの説明によって恩恵を受ける当業者に容易に明らかとなるであろう詳細で以て本開示を不明瞭にしないように、本発明の実施形態の理解に関連する詳細な説明だけを示す。

本文書では、第１および第２、上部および下部など、関係を表す用語の使用は、ある存在（entity）又は動作を、他の存在又は動作と区別するためにのみ使用されており、存在又は動作間の実際の関係又は順番が必ずしも要求され、又は含まれる必要がないことが理解される。用語「から成る（comprise）」「からなっている（comprising）」、またはその用語のあらゆる他の変化形は、非排他的な包含物をその範囲内に入れるものとし、ある要素のリストを含むプロセス、方法、物、または装置は、その要素のみを含むわけではなく、明示的に列挙されていない他の要素やそのようなプロセス、方法、物、または装置に固有の要素を含みうる。「…から成る、を含む」に後続する数詞を限定しない要素は、より多くの束縛がなければ、構成要素を構成するプロセス、方法、物品、または装置における追加の同一要素の存在を排除しない。

以下、ＣＴＸシステムで非音声フレームを送信する必要を減らすか無くすフレーム抑制方法を説明する。先行技術方法とは対照的に、ここで記述された方法は、特にパケットベースのネットワークにおける快適雑音のより良好な合成と、帯域幅利用の減少とを提供する。

図３を参照すると、本発明のいくつかの実施形態による、エンコーダ−デコーダ３００の機能ブロック図が示される。エンコーダ−デコーダ３００はエンコーダ３０１およびデコーダ３０２を含む。アナログ音声信号３０４ ｓはフレームバッファ３０５によってフレーム３０６に分解され、パケット・エンコーダ３１０によって符号化される。入力信号のプロパティに基づいて、現在の音声パケットを送信するか省略するために、判定がＤＴＸスイッチ３１５によって下される。デコード側で、受信パケット３１９はパケット・エンコーダ３２０によりフレーム s_m（n）にデコードされ、これは情報フレーム３２１とも称される。

ここに説明された本発明の実施形態では、米国特許第５，８７０，３９７号で行われるようにパケット・エンコーダ３１０（送信側）がＳＩＤフレーム、または雑音コーディング（８番目のレート）フレームを送る必要がない。ただし、パケット・エンコーダ３２０で受け取られる場合にはそれらを使用することができる。快適雑音を再生するために、背景雑音推定器３２５をこれらの実施形態で使用して、復号化された活動音声情報フレーム３２１を処理し、背景雑音のスペクトル特性３２６（背景雑音特性とも称される）の推定値を生成する。推定背景特性３２６を、欠落パケット合成装置３３０により使用し、快適雑音信号３３１を生成する。その後、情報フレーム３２１と快適雑音３３１との間で選択が行われるようスイッチ３３５を使用して、出力信号３０３を生成する。スイッチは、例えば２つの正常なフレーム期間のような所定時間の間で、活動音声を含む情報フレームが受け取られていない時を検出する音声活動検出器（図３に示さない）により起動される。

以下により詳細に説明するように、スイッチ３３５は「ソフト」スイッチであると考えられてもよい。
図４を参照すると、本発明の実施形態による、背景雑音推定器の機能ブロック図が示される。復号化された音声と雑音音声ｍを加えたものについて、ここでは情報フレームとも呼ばれるが、背景雑音推定値は以下のように音声に雑音信号３２１ S_m(n)を加えたものから得られ得る。第１に、離散フーリエ変換（ＤＦＴ）機能４０５は、音声に雑音フレーム４０６を加えたもののＤＦＴ S_m(k)を得るために使用される。ｋはバイナリ・インデックスである。フレームのスペクトル表示の各二進数ｋについては、またはチャネルと呼ばれる二進数のグループの各々について、推定チャネルまたはバイナリ・エネルギー（E_ch（m, i）が計算される。これは各チャネルｉ（ｉは０からN_c-1まで）に対して以下の方程式１を使用することにより遂行され得る。ここで、N_cはチャネルの数である。ｉの各値については、この演算が、図４で例証した推定チャネルエネルギー推定器（ＥＣＥ）４２０の１つによって行なわれ得る。

式中、E_minは最小の許容チャネルエネルギーであり、α_w（m）チャネルエネルギー平滑化因数（以下に定義）であり、f_L（i）およびf_Ｈ（i）は低いおよび高いチャネル結合テーブルの各々のｉ番目の要素であり、これは以下に示されるようなＥＶＲＣのための雑音抑圧のために定義されたのと同じ限界値であってもよいし、他のシステムで適するように決定された他の限界値であってもよい。

チャネルエネルギー平滑化因数α_w(m)は、フレーム誤差の存在も含めて、種々の因数によって変更され得る。例えば、平滑化因数は次のように定義することができる。

これは、α_w(m)が、第１フレーム(m=1)に対して０の値を取り、すべての後続のフレームに対しては重み付け係数w_αの０．８５倍の値をとることを意味する。これは、推定チャネルエネルギーが、第１のフレームの非フィルタチャネルエネルギーに初期化されることを許容すると共に、重み付け係数により他のすべてのフレームに対して適応に対するいくらかの制御を供給する。重み付け係数は

に従って変更され得る。

各チャネルの背景雑音エネルギーの推定値E_bgn（m,i）は、

に従って得られ、更新され得る。

ｉの各値については、この演算は、図４で例証した背景雑音推定器４２５のうちの一つによって行なわれる得る。方程式（５）によって与えられる背景雑音推定値E_bgnは、図５および６を参照しながら以下にさらに詳しく説明するものとして使用され得る背景特性の１つの形式である。他のものが使用されてもよい。

フレームｍのチャネルｉの推定チャネルエネルギーが、フレームｍ−１でのチャネルｉの背景雑音エネルギー推定値よりも小さい場合に、フレームｍのチャネルｉの背景雑音エネルギー推定値は、そのフレームｍのチャネルｉの推定チャネルエネルギーに設定されることが理解されよう。

フレームｍのチャネルｉの推定チャネルエネルギーが、この例では１２デシベルである値だけ、フレームｍ−１でのチャネルｉの背景雑音推定値よりも大きな場合、フレームｍのチャネルｉの背景雑音推定値は、フレームｍ−１のチャネルｉの背景雑音に第１の小さな増分（この実施例では０．００５デシベル）を加えて設定される。１２という値は、チャネルエネルギーが本明細書でE_voiceとも識別される活動音声エネルギーである可能性が非常に高くなる最小のデシベル値である。第１の小さなインクリメントはここではΔ₁として識別される。フレームレートが５０フレーム／秒であり、E_chがいくつかの周波数チャネルで数秒間E_voiceを超えたままである場合に、背景雑音推定値は０．２５デシベル／秒だけ上昇することが理解される。

フレームｍのチャネルｉの推定チャネルエネルギーが、この例では１２デシベルよりも小さい値だけ、フレームｍ−１でのチャネルｉの背景雑音推定値よりも大きく、また、フレームｍ−１のチャネルｉの背景雑音推定値よりも大きいかそれに等しい場合に、フレームｍのチャネルｉの背景雑音エネルギー推定値は、フレームｍ−１のチャネルｉの背景雑音エネルギー推定値に第２の小さな増分Δ₂（この例では０．０１デシベル）を加えて設定される。１２デシベルという値は、E_voiceを表わす。第２の小さな増分はここではΔ₂として識別されることが理解されよう。フレームレートが５０フレーム／秒であり、推定チャネルエネルギーがいくつかの周波数チャネルで数秒間E_voiceを超えたままである場合に、背景雑音エネルギー推定値は０．５デシベル／秒／チャネルだけ上昇することが理解される。推定チャネルエネルギーが先のフレームからの背景雑音エネルギー推定値に近い場合、チャネルエネルギーは背景雑音由来である可能性が大きいため、背景雑音エネルギー推定値はより大きな値だけ増分されるだろうことが理解される。このため、上記実施形態ではΔ₂はΔ₁よりも大きいことが認識されるだろう。

いくつかの実施形態では、E_voice、Δ₁およびΔ₂の値はシステム特性における差を提供するために別々に選択され得る。例えば、ΔまたはΔ₁は０．５ｄＢ以下に設計され；Δ₂は１．０ｄＢ以下に設計され；E_voiceは５０ｄＢ未満であり得る。

また、複数の増分があるように、あるいは基準値（例えば１２デシベル）に対する、フレームｍのチャネルｉの推定チャネルエネルギーとフレームｍ−１のチャネルｉの背景雑音推定値との差の比からそのような増分を計算できるように、より多くの間隔を使用することも可能である。音声オーディオと同時に存在する背景オーディオの良好な推定を行う背景特性を生成するために、当業者に明白な他の機能を使用してもよい。

いくつかの実施形態では、背景雑音推定器は、より簡単な技法に従って、背景特性４２６ E_bgn（m, i）を決定し得る。

この技法によって提供される背景雑音エネルギー推定（背景特性）の値は上述したのと同様には機能しない可能性はあるが、本明細書に説明する他の実施形態の利益のうちの一部を提供するだろう。

図５を参照すると、欠落パケット合成装置３３０（図３）の機能ブロック図が、本発明のいくつかの実施形態に従って示される。背景雑音推定値E_bgn ３２６が、背景雑音推定器３２５（図３）により、すべての受信音声フレームに対して更新される。パケット・エンコーダ３２０がフレームｍのパケットを受け取ると、パケットは符号化され、ｓ_m（n）を生成する。音声フレームが欠落しているか受け取られていないことをパケット・エンコーダ３２０が検出すると、欠落パケット合成装置３３０はE_bgnのスペクトル特性に基づいて快適雑音を合成するように動作する。快適雑音は以下のように合成され得る。

第１に、快適雑音のスペクトルの大きさX_decmag（m,k）が、背景雑音推定値４２６ E_bgn（m,i）に基づいて、スペクトル成分大きさ計算器５０５により生成される。これは方程式（７）に示されるように達成され得る。

スペクトル成分のランダム位相が、スペクトル成分のランダム位相生成器５１０によって以下に従って生成される。

式中、ran0は一様に分配された擬似乱数生成器のスパニング[0.0,1.0]である。背景雑音スペクトルは乗算器５１５によって以下のように生成され、

その後、逆ＤＦＴ５２０を用いて時間領域に変換され、

を生成する。式中、g(n)は平滑化された台形窓であり、

により定義される。

式中Ｌはディジタル化されたオーディオフレーム長さであり、Ｄはディジタル化されたオーディオフレームオーバラップであり、ＭはＤＦＴ長さである。
方程式（１０）で、x_dex(m-1, n)は先のフレーム出力であり、これはパケット・エンコーダ３２０または活動音声パケットが受け取られなかった場合には生成された快適雑音フレームから由来し得る。方程式１０は、フレームの遷移によってオーディオを滑らかにするために先のフレームと現在のフレームのオーバラップ追加を用いることにより、快適雑音の期間中に、および快適雑音の期間後に１つの活動音声フレームに対して、音声信号x_dexがどのように生成されるかを定義する。これらの方程式によって、平滑化は、連続する快適雑音フレーム間の遷移だけでなく、快適雑音と活動音声との間の遷移や、その逆の間の遷移にも生じる。他の従来のオーバラップ機能は他のいくつかの実施形態で使用されてもよい。方程式１０および１１の使用から生じるオーバラップは、図３のスイッチ３３５のような「ソフト」な形式のスイッチを起動すると考えられる。

図６を参照すると、本発明のいくつかの実施形態による、再エンコーダ６００の機能ブロック図が示される。図３−５および方程式１−１１に関してこれまで説明した技法は好結果を生じさせるが、再エンコードスキームの組み込むことにより、いくつかのシステムではより良い結果が得られ得る。再エンコードスキームでは、通信リンク６０１上で受け取られたパケットは、音声活動が検出される場合、音声活動検出器（ＶＡＤ）６２５に結合され、スイッチ６０５を通って渡され、パケット・エンコーダ６１０により復号される。ＶＡＤ ６２５は音声活動を含むパケットの存在または不在を検出し、得られた判定によってスイッチ６０５を制御する。音声活動が検出された場合、パケット・エンコーダ６１０は、出力信号６２１の音声信号部分として、活動音声のディジタル化オーディオサンプルを生成する。この活動音声のオーディオサンプルは、スイッチ６０５を通って同時にフィードバックされ、結果は背景快適雑音合成装置６１５に結合される。合成装置６１５は背景雑音推定器３２５および上述した欠落パケット合成装置３３０を含む。背景快適雑音合成装置６１５の出力はエンコーダに結合され、エンコーダは背景快適雑音合成装置６１５によって生成された快適雑音を表わすパケットを生成する。活動音声が検出された場合、エンコーダ６２０の出力は使用されない。音声活動パケットがないことをＶＡＤ ６２５が判定した場合、パケット・エンコーダ６２０の出力はパケット・エンコーダ６１０の入力に切り替えられ、パケット・エンコーダ６１０は出力信号６２１の快適雑音信号部分のためのディジタル化雑音サンプルを生成する。

いくつかの実施形態では、ＶＡＤ ６２５は、快適雑音を伝える８番目のレートパケットと活動音声を伝える他のパケットとのような有効パケットが受け取られた場合にスイッチ６０５を第１の状態にし、パケットが欠落していることが判定された場合にスイッチ６０５を第２の状態にする有効パケット検出器により置き換えられてもよい。有効パケット検出器の出力が第１の状態である場合、スイッチ６０５は、通信リンク６０１上で受け取られたパケットをパケット・エンコーダ６１０に結合し、パケット・エンコーダ６１０の出力は背景雑音合成装置６１５に結合される。有効パケット検出器の出力が第２の状態である場合、スイッチ６０５はパケット・エンコーダ６２０の出力をパケット・エンコーダ６１０に結合し、パケット・エンコーダ６１０の出力は背景雑音合成装置６１５に結合されない。さらに、背景快適雑音合成装置６１５は、例えば、

で与えられるように、代替の背景雑音推定方法を実施するように変更されてもよい。ここでβは０から１までの範囲の値を有する重み付け係数である。この方程式は非音声フレームが受け取られた場合に背景雑音推定値を更新するために使用される。この方程式の更新方法は、音声フレームが受け取られた場合に使用される方程式５および６によって提供される更新方法よりも積極的であり得る。

用語「背景雑音」は、本説明の全体にわたって使用されているが、音声が存在しても存在しなくても存在するエネルギーは、音楽のような、通常雑音であると考えられるもの以外のものであり得るということが理解されよう。また、用語「音声」は、聞き手に伝えられるように意図された発話または他のオーディオを意味するものと通常解釈され、例えば、背景雑音の存在下でマイクロホンの近くで再生される音楽を含み得ることが理解されよう
要約すると、図７のフローチャートによって例証されるように、本発明の実施形態による音声通信おいて快適雑音を生成する方法のいくつかの工程は、音声に背景雑音を加えたものを示す複数の情報フレームを受け取る工程（７０５）、複数の情報フレームに基づいて１または複数の背景雑音特性を推定する工程（７１０）、および１または複数の背景雑音特性に基づいて快適雑音信号を生成する工程（７１５）を含む。方法はさらに、複数の情報フレームから音声信号を生成する工程（７２０）、および音声活動検出に基づいて快適雑音信号と音声信号との間で切り替えを行うことにより出力信号を生成する工程（７２５）を含み得る。

図８のブロック図は、本発明のいくつかの実施形態による、聞こえる快適雑音を生成することができる装置である電子機器８００を示す。電子機器８００は無線周波数受信機８０５を備え、無線周波数受信機８０５は無線信号８０１を受け取り、上述のように該無線信号８０１から情報フレーム３１９，６０１（図３，６）のような情報フレームを復号し、それらを処理セクション８１０に結合する。本明細書で上述した状況のように、情報フレームは音声部分と背景雑音部分とを含む音声信号を有している。音声部分は、通常音声部分に含まれる音声オーディオよりも低いエネルギー準位で、通常背景雑音部分に含まれる背景雑音に非常に似た、背景雑音も含んでいる。処理セクション８１０は、快適雑音を含む出力信号６２１の生成を含めて図７に関して上述された機能を実行するよう１または複数のプロセッサを制御するプログラム命令を含んでいる。出力信号６２１は、適切な電子機器（図８には示していない）を通じてスピーカ８１５に結合され、スピーカ８１５は図６の出力信号６２１に基づいて聞こえる出力８１６を示す。聞こえる出力は、通常、聞こえる音声部分と聞こえる快適雑音部分との両方を含んでいる。

本明細書で説明した実施形態は、音声信号を受信機に送信する装置によって背景雑音だけが捕らえられている間に音声信号の背景雑音内容についてのいかなる情報も送信する必要なしに、携帯電話のような音声信号を受け取る装置で、快適雑音を生成する方法および装置を提供するということが理解されよう。従来の音声信号の送受信方法および手段に対して帯域幅の節約を許容するため、このことは有益である。

本明細書で説明した実施形態は、１または複数の従来のプロセッサと、該プロセッサが本明細書で説明した本発明の実施携帯の機能の一部、大部分、または全部を一定の非プロセッサ回路と共に実行するよう制御する固有の格納プログラム命令とから構成され得ることが理解されよう。そのような非プロセッサ回路には、無線受信機、無線送信機、信号ドライバ、クロック回路、電源回路、およびユーザ入力装置が含まれるが、それらに限定されるわけではない。そのようなものとして、それらの機能は、音声通信システムにおいて快適雑音の生成を行う方法の工程として解釈され得る。代わりに、一部またはすべての機能が、格納プログラム命令を行っていない状態マシンによって、または各機能または特定の機能のいくつかの組み合わせがカスタムロジックとして実装された１または複数の特定用途向け集積回路（ＡＳＩＣ）において、実行されてもよい。もちろん、これらのアプローチの組み合わせを使用することも可能である。プロセッサおよび格納プログラム命令を使用して本発明の実施携帯の機能を実行ができる状況では、そのような機能を実行する手段が、磁気記憶であれ、ファイルを伝える信号であれ、格納プログラム命令を格納する媒体であるということが理解されよう。さらに、恐らく多くの努力や、例えば利用可能な時間、現行の技術、および経済的考慮事項によって動機付けられる多くの設計上の選択が想定されるにもかかわらず、開示された概念と原理に導かれれば、当業者は最小限の実験でそのような格納プログラム命令およびＩＣを容易に生成できることが予想される。

以上の明細書では、本発明を特定の実施態様を参照して説明してきた。しかし、当業者であれば、特許請求の範囲に記載される本発明の範囲から逸脱することなく、種々の改変と変更が行えることが理解される。したがって、明細書と図面は、限定的な意味ではなく例証的な意味で解釈され、そのような改変はすべて、本発明の範囲内に含まれるものとする。利点、効果、課題の解決策、およびあらゆる利点、長所、または解決策を生じさせるか、またはより顕著にする任意の１つまたは２つ以上の要素は、請求項のいずれかまたはすべての重要な、必要な、または不可欠な特徴または要素として解釈されるべきでない。本発明は、本願の係属中に行われるすべての補正および発行される請求項のすべての均等物を含めて、請求項によってのみ定義される。

従来の不連続送信システムの典型的なアナログ音声信号および対応データフレーム信号を示すタイミング図。 従来の連続送信システムの典型的なアナログ音声信号および対応データフレーム信号を示すタイミング図。 本発明のいくつかの実施形態による、エンコーダ−デコーダの機能ブロック図。 本発明の実施形態による、背景雑音推定器の機能ブロック図。 本発明のいくつかの実施形態による、欠落パケット合成装置の機能ブロック図。 本発明のいくつかの実施形態による、再エンコーダの機能ブロック図。 本発明の実施形態による、音声通信において快適雑音を生成する方法のいくつかの工程を例証するフローチャート。 本発明のいくつかの実施形態による、聞こえる快適雑音を生成することができる装置である電子機器のブロック図。

Claims (10)

1. 音声通信システムで快適雑音を生成する方法であって、
   音声に背景雑音を加えたものを示す複数の情報フレームを受け取る工程、
   前記複数の情報フレームに基づいて１または複数の背景雑音特性を推定する工程、および
   前記１または複数の背景雑音特性に基づいて快適雑音信号を生成する工程、
   を含む方法。
2. 前記背景雑音特性を推定する工程は、
   複数の情報フレームのうちの先のフレームの対応する周波数チャネルの推定背景雑音エネルギー値と、現在のフレームの対応する周波数チャネルの推定チャネルエネルギー値とから、複数の情報フレームのうちの現在のフレームの複数の周波数チャネルの各々に対する現在の推定背景雑音エネルギー値を連続的に決定することを含む、請求項１に記載の方法。
3. 前記背景雑音を推定する工程は、
   現在のフレームの対応する周波数チャネルの推定チャネルエネルギー値が、複数の周波数フレームのうちの先のフレームの対応する周波数チャネルの推定背景雑音エネルギー値よりも小さい場合に、複数の情報フレームのうちの現在のフレームの周波数チャネルの現在の推定背景雑音エネルギー値を、複数の情報フレームのうちの現在のフレームの対応する周波数チャネルの推定チャネルエネルギー値と等しく設定すること、および
   それ以外の場合に、複数の情報フレームのうちの現在のフレームの周波数チャネルの現在の推定背景雑音エネルギー値を、複数の周波数フレームのうちの先のフレームの対応する周波数チャネルの推定背景雑音エネルギー値に増分エネルギー値を加えたものに等しく設定すること、を含む、請求項１に記載の方法。
4. 前記１または複数の背景雑音特性を推定する工程は、
   

   

   から成り、式中、
   E_bgn(m,i)は複数の情報フレームのうちのｍ番目のフレームのｉ番目の周波数チャネルの推定背景雑音エネルギー値であり、
   E_ch(m,i)は複数の情報フレームのうちのｍ番目のフレームのｉ番目の周波数チャネルの推定チャネルエネルギー値であり、
   E_bgn(m-1,i)は複数の周波数フレームのうちの（ｍ−１）番目のフレームのｉ番目の周波数チャネルの推定背景雑音エネルギー値であり、
   Δは増分エネルギー値である、請求項１に記載の方法。
5. 前記１または複数の背景雑音特性を推定する工程は、
   

   

   から成り、式中、
   E_bgn（m,i）は複数の情報フレームのうちのｍ番目のフレームのｉ番目の周波数チャネルの推定背景雑音エネルギー値であり、
   E_ch（m,i）は複数の情報フレームのうちのｍ番目のフレームのｉ番目の周波数チャネルの推定チャネルエネルギー値であり、
   E_bgn（m-1,i）は複数の周波数フレームのうちの（ｍ−１）番目のフレームのｉ番目の周波数チャネルの推定背景雑音エネルギー値であり、
   Δ₁は第１の増分エネルギー値であり、
   Δ₂は第２の増分エネルギー値であり、
   E_voiceは音声エネルギーを示すエネルギー値である、請求項１に記載の方法。
6. 複数の情報フレームから音声信号を生成する工程、および
   音声活動検出に基づいて快適雑音信号と音声信号との間で切り替えを行うことにより出力信号を生成する工程、をさらに含む請求項１に記載の方法。
7. 前記快適雑音信号を生成する工程は、背景雑音特性に由来するスペクトル成分の逆離散フーリエ変換を行うことを含む、請求項１に記載の方法。
8. プログラム命令のセットを含む処理システムを備えた、音声通信システムにおいて快適雑音を生成する装置であって、該プログラム命令のセットは１または複数のプロセッサを
   音声に背景雑音を加えたものを示す複数の情報フレームを受け取ること、
   前記複数の情報フレームに基づいて１または複数の背景雑音特性を推定すること、および
   前記１または複数の背景雑音特性に基づいて快適雑音信号を生成すること、
   を行わせるように制御するものである、装置。
9. 情報フレームを含む無線信号を受け取る無線周波数受信機と、快適雑音を示すスピーカとをさらに備えた請求項８に記載の装置。
10. プログラム命令のセットを含む媒体であって、該プログラム命令のセットは１または複数のプロセッサを
    音声に背景雑音を加えたものを示す複数の情報フレームを受け取ること、
    前記複数の情報フレームに基づいて１または複数の背景雑音特性を推定すること、および
    前記１または複数の背景雑音特性に基づいて快適雑音信号を生成すること、
    を行わせるように制御するために使用できるものである、媒体。

Images