JP4245060B2 - サウンドマスキングシステム、マスキングサウンド生成方法およびプログラム - Google Patents

Description

本発明は、マスキングサウンドを生成する技術に関する。

ある音（対象音）が聞こえているときに対象音に近い音響特性（周波数特性など）を持つ別の音（マスキングサウンド）が存在すると、その対象音が聞こえにくくなるという現象が一般に知られており、マスキング効果と呼ばれている。マスキング効果は、人間の聴覚特性に根ざしたものであり、マスキングサウンドの周波数が対象音の周波数に近いほど、また、マスキングサウンドの音量レベルが対象音の音量レベルに対して相対的に高いほど顕著になることが知られている。

このマスキング効果を利用した音響技術は、従来種々提案されており、その例として特許文献１に開示された技術が挙げられる。特許文献１には、音信号を複数のセグメントに分断し、この複数のセグメントの順序を入れ替えることにより音声を無意味化しマスキングサウンドを生成する技術が開示されている。
特表２００５−５３４０６１号公報

また、特許文献１に記載の技術によれば、ストリームの分割位置によってマスキング効果が減少することがあった。すなわち、含まれる音素を分断するようにストリームを分割できれば音声は適切にスクランブルされ高いマスキング効果を期待できるが、一定のフレーム長で分割すると、適した場所で音素が分割されないことがあった。音素を確実に分割するためにフレーム長を短く設定した場合、生成されるマスキングサウンドは違和感のある音声になってしまうため、適切なフレーム長の設定は困難であった。

本発明は上記の問題に鑑みてなされたものであり、収音した音信号を元に効果的なマスキングサウンドを生成する技術を提供することにある。

本発明に係るサウンドマスキングシステムは、音声を収音し対応する音声信号を生成する収音手段と、前記収音手段が生成した前記音声信号に基づいて前記収音された音声の発話の速度を示す話速信号を生成する話速信号生成手段と、前記発話の速度と前記音声信号を所定時間長に分割する区間を表すフレーム長とが対応付けて書き込まれたテーブルと、前記話速信号生成出手段が生成した話速信号に対応するフレーム長を前記テーブルから読み出す読出手段と、前記収音手段が生成した音声信号を複製して複数の系列に分岐し、該分岐した各系列の音声信号を前記読出手段が読み出したフレーム長に基づいて複数のフレームに分割し、該分割した複数のフレームの時系列が各系列において変更されるように再構成し、該再構成した各音声信号をスクランブル信号として出力するスクランブル手段とを具備することを特徴とする。

本発明に係るサウンドマスキングシステムは、上記の構成において、前記スクランブル手段は、前記読出手段が読み出したフレーム長に基づいて、前記各系列のフレーム分割におけるフレームの長さが各系列で異なるように分割用フレーム長を生成し、該生成した分割用フレーム長を用いて各系列の音声信号をフレームに分割しても良い。

本発明に係るサウンドマスキングシステムは、上記の構成において、前記テーブルは、一つの発話の速度に対して前記各系列に対するフレーム長を対応させて記憶し、前記スクランブル手段は、前記読出手段が読み出した前記各系列に対するフレーム長に基づいて前記各系列の音声信号をフレームに分割しても良い。

本発明に係るサウンドマスキングシステムは、上記の構成において、前記話速信号生成手段が生成した話速信号を加工し複数の話速信号を生成する加工手段を更に備え、前記読出手段は、前記加工手段が生成した複数の話速信号とそれぞれ対応するフレーム長を前記テーブルから読み出し、前記スクランブル手段は、前記読出手段が読み出した各フレーム長を用いて各系列の音声信号をフレームに分割しても良い。

本発明に係るサウンドマスキングシステムは、上記の構成において、前記スクランブル手段は、前記音声信号が分割された結果生成された複数のフレームの各々を、該フレームを時間的に逆に読み出すことにより生成した音声信号に置き換えるリバース手段を更に有していても良い。

本発明に係るサウンドマスキングシステムは、上記の構成において、前記スクランブル手段は、前記音声信号が分割された結果生成された複数のフレームを、元の音声信号における順序とは異なる順序に並べ替える並べ替え手段を更に有していても良い。

本発明に係るサウンドマスキングシステムの別の構成は、音声を収音し対応する音声信号を生成する収音手段と、前記収音手段が生成した前記音声信号に基づいて前記収音された音声の発話の速度を示す話速信号を生成する話速信号生成手段と、前記発話の速度と前記音声信号を所定時間長に分割する区間を表すフレーム長とが対応付けて書き込まれたテーブルと、前記話速信号生成出手段が生成した話速信号に対応するフレーム長を前記テーブルから読み出す読出手段と、前記収音手段が生成した音声信号を前記読出手段が読み出したフレーム長に基づいて複数のフレームに分割し、分割した複数のフレームの各々を、該フレームを時間的に逆に読み出すことにより生成した音声信号に置き換え、該置き換えられた複数のフレームを時系列が変更されるように再構成し、再構成後の各音声信号をスクランブル信号として出力するスクランブル手段とを具備することを特徴とする。

本発明に係るサウンドマスキングシステムは、上記の構成において、前記スクランブル手段により分割された複数のフレームの頭部および尾部の波形を加工する波形加工手段を更に有していても良い。

本発明に係るマスキングサウンド生成方法は、音声を収音し対応する音声信号を生成する収音段階と、前記収音段階において生成された前記音声信号に基づいて前記収音された音声の発話の速度を示す話速信号を生成する話速信号生成段階と、前記話速信号生成出段階において生成された話速信号に対応するフレーム長を前記発話の速度と前記音声信号を所定時間長に分割する区間を表すフレーム長とが対応付けて書き込まれたテーブルから読み出す読出段階と、前記収音段階において生成された音声信号を複製して複数の系列に分岐し、該分岐した各系列の音声信号を前記読出段階において読み出されたフレーム長に基づいて複数のフレームに分割し、該分割した複数のフレームの時系列が各系列において変更されるように再構成し、該再構成した各音声信号をスクランブル信号として出力するスクランブル段階とを具備することを特徴とする。

本発明に係るプログラムは、コンピュータを、音声を収音し対応する音声信号を生成する収音手段と、前記収音手段が生成した前記音声信号に基づいて前記収音された音声の発話の速度を示す話速信号を生成する話速信号生成手段と、前記話速信号生成出手段が生成した話速信号に対応するフレーム長を前記発話の速度と前記音声信号を所定時間長に分割する区間を表すフレーム長とが対応付けて書き込まれたテーブルから読み出す読出手段と、前記収音手段が生成した音声信号を複製して複数の系列に分岐し、該分岐した各系列の音声信号を前記読出手段が読み出したフレーム長に基づいて複数のフレームに分割し、該分割した複数のフレームの時系列が各系列において変更されるように再構成し、該再構成した各音声信号をスクランブル信号として出力するスクランブル手段として機能させることを特徴とする。

本発明に係るサウンドマスキングシステムまたはマスキングサウンド生成方法またはプログラムにより、収音した音信号を元に効果的なマスキングサウンドを生成することができる。

以下、本発明の実施形態について図面を用いて説明する。
（Ａ；構成）
（Ａ−１；全体構成）
図１は、本発明に係るサウンドマスキングシステム１の構成を示す図である。図１に示すように、音響空間２０Ａには、マイクロホン３０が天井から吊り下げられて設置されている。音響空間２０Ｂにはスピーカ４０が天井から吊り下げられて設置されている。

マイクロホン３０は、音響空間２０Ａにおける音（人間の話し声や空調の動作音などの可聴音）を収音してアナログの音信号に変換し、マスキングサウンド生成装置１０へ出力する。
スピーカ４０は、マスキングサウンド生成装置１０からアナログの音信号を受取り、音響空間２０Ｂにおいて再生する。

（Ａ−２；マスキングサウンド生成装置１０の構成）
次に、マスキングサウンド生成装置１０の構成について図２を参照して説明する。マスキングサウンド生成装置１０は、マスキングサウンド（マスカー）を表す音信号を生成する。該マスキングサウンドは音響空間２０Ｂにおいて放音され、音響空間２０Ａにおける会話の内容を他の音響空間２０Ｂのユーザに聞きとられにくくしたり（セキュリティーの保護）、他の音響空間２０Ｂのユーザが音響空間２０Ａから漏れ聞こえる音により会話が妨害されたり作業の集中を乱されたりしないようにする（騒音のマスキング）。

ＣＰＵ（Central Processing Unit）１００は、記憶部２００に格納されている各種プログラムを実行することにより本発明に特徴的な動作を行ったり、マスキングサウンド生成装置１０の各部の動作を制御したりする。

音声入力部３００は、アナログ／デジタル（以下、「Ａ／Ｄ」と略記する）コンバータ３１０と入力端子３２０とを有する。入力端子３２０にはマイクロホン３０が接続されており、マイクロホン３０により生成された音信号は、入力端子３２０を介してＡ／Ｄコンバータ３１０へ入力される。Ａ／Ｄコンバータ３１０は、マイクロホン３０から受取った音信号にＡ／Ｄ変換を施し、その変換結果であるデジタルの音信号をＣＰＵ１００へ出力する。

音声出力部４００は、Ｄ／Ａコンバータ４１０とアンプ４２０と出力端子４３０とを有する。Ｄ／Ａコンバータ４１０は、ＣＰＵ１００から受取った音信号に対して、Ｄ／Ａ変換を施すことによってアナログの音信号へ変換する。アンプ４２０は、Ｄ／Ａコンバータ４１０から受取った音信号の振幅（マスタボリューム）を最適な値に調整して、マスキング効果が最大となるように制御する。音信号の増幅率は、後述する操作部５００からの信号に基づいてＣＰＵ１００により制御される。出力端子４３０はスピーカ４０と接続されており、音信号はスピーカ４０へ出力され、音響空間２０Ｂにおいてマスキングサウンド（マスカー）として放音される。

記憶部２００は、ＲＯＭ（Read Only Memory）２１０およびＲＡＭ（Random Access Memory）２２０を有する。
ＲＯＭ２１０は、本発明に特徴的な機能をＣＰＵ１００に実行させるための制御プログラムやデータが格納されている。
ＲＡＭ２２０は、各種の記憶領域を有する。該記憶領域は、ＣＰＵ１００によってワークエリアとして利用されると共に、マイクロホン３０から受取った音信号やマスキングサウンドの音信号を生成するための各種データを記憶する。
以上に説明した各ユニットは、バス５００を介して接続されており、互いにデータの授受を行う。

次に、ＲＯＭ２１０に記憶されている制御プログラムについて説明する。ＣＰＵ１００は、制御プログラムを実行することにより、以下に説明する処理を始めとする各種の処理を実行する。

まず、「話速分析処理」について説明する。本実施形態において、「話速（発話の速度）」とは、音声が発せられるときの速さであり、単位時間あたりの音節数などで定義される。ここで音節とは、一定の声の長さを持つ音素（例えば母音）のまとまり、または一定の声の長さを持つ音素の前および／または後に非常に短い音素（例えば子音）を従えるまとまりを意味する。話速分析処理において、ＣＰＵ１００は、受取った音信号の各フレームについて、音信号の時間軸波形を生成し、当該時間軸波形のエンベロープ（包絡線）にスムージング処理を施す。そしてスムージング処理された波形から各音節を構成する波形のピーク位置をフレームごとに検出して、ピーク数を計測する。その後、当該ピーク数を音節数とし、音節数をフレーム長で除した単位時間あたりの音節数を話速として算出する。ここでピークとは、各音節を構成する波形においてレベルが最大の箇所を言う。話速は音信号における時間経過に伴い変化し、ＣＰＵ１００は、上記所定時間おきにその時点での話速を分析し出力する。

次に、音信号の「リバース処理」について説明する。リバース処理において、ＣＰＵ１００は、受取った音信号の各フレームを一旦時間軸領域の信号に変換する。そして、該音信号の各フレームを時間軸において逆から読み出し、各音信号を新たな音信号へ変換する。本処理は、すなわち元の音信号が生成された順序とは逆の時間的順序で古いデータから読み出して新たな音信号を生成する処理である。このリバース処理により生成された音信号からは、処理前の音信号に含まれていた内容を理解することはできない。

次に、音信号の各フレームの「窓掛け処理」について説明する。窓掛け処理とは、音として内容が連続していないフレーム同士を接続する場合に、その音がスムーズに移行するように接続部分の波形を変換する処理である。
具体的には、ＣＰＵ１００は、例えば三角関数などからなる「整形関数」を各フレームの音信号に乗算することにより、各フレームの頭部では滑らかに立ち上がるように、そして各フレームの尾部では滑らかに立ち下がるように整形する。音響処理により連続した音信号が複数のフレームに分割され、元の音信号と異なる順序で接続された場合には、その接続部分においてクリックノイズが発生することがあるが、この窓掛け処理により該ノイズは除去される。

次に、ＲＯＭ２１０に記憶されているデータである「フレーム長選択テーブル」について説明する。図３は、フレーム長選択テーブルの１例を示した図である。フレーム長選択テーブルにおいては、上述した話速の範囲に対してフレーム長が対応付けられている。例えば、話速７．５以上１２．５未満〔秒^−１〕に対して、フレーム長の値０．１０〔秒〕が対応付けられている。ここで、１フレーム長は、話速が各話速の範囲の中間の値であるときの１音節の時間と同程度に設定した。すなわち、話速１０〔秒^−１〕では１音節の発話速度は０．１０秒であり、話速１０〔秒^−１〕が含まれる話速７．５以上１２．５未満の範囲に対応するフレーム長をこの１音節の発話時間（０．１０秒）に設定した。これは、１フレーム長が１音節より極端に短い時間の場合には、１音節が複数フレームに分割され、各フレームをリバース再生しても元の音節として認識されるおそれがあり、１フレーム長が１音節より極端に長い時間の場合には、各フレームをランダムに再構成しても１フレーム内の各音節がそのまま認識されるおそれがあるからである。

（Ｂ；動作）
次に、本実施形態の動作について説明する。図４は、ＣＰＵ１００が実行するマスキングサウンド生成処理の流れを示すフローチャートである。また、図５は、マスキングサウンド生成処理による音信号の波形変化を概念的に示した図である。

ＲＡＭ２２０は、受取った音信号に所定の処理を行うために必要な所定時間分（例えば２秒分）記憶可能な音信号バッファ領域を有する。受取った音信号は一旦ＲＡＭ２２０に書き込まれる。以下に説明する処理は、上記音信号バッファ領域の容量分書き込まれた音信号について実行される。なお、新たな音信号を受け取った場合には、この新たな音信号が前記音信号バッファ領域の古いデータから順次上書き更新され、ＣＰＵ１００は新たな音信号について処理を行う。

ステップＳＡ１００において、マスキングサウンド生成装置１０は、音響空間２０Ａに設置されたマイクロホン３０から音信号を受取る。該音信号は、音声入力部３００でデジタルの音信号に変換され、ＲＡＭ２２０に一旦書き込まれる。

ステップＳＡ１１０において、ＣＰＵ１００は、ＲＡＭ２２０に書き込まれた音信号の話速を分析する。ＣＰＵ１００は、解析結果をＲＡＭ２２０に書き込む。

ステップＳＡ１２０において、ＣＰＵ１００は、ＲＡＭ２２０に書き込まれた音信号を複製し、その結果生成された３つの音信号をＲＡＭ２２０に書き込む。なお、以下ではこれらの音信号を音信号Ａ、Ｂ、およびＣと呼ぶ。以下に説明するステップＳＡ１３０ないし１７０は、音信号Ａ、Ｂ、およびＣのそれぞれについて行われ、それらの音信号は互いに異なる音信号へと変換される。

ステップＳＡ１３０において、ＣＰＵ１００は、音信号のフレーム化を以下のように行う。すなわち、ＣＰＵ１００は、当該音信号の話速に関する情報をＲＡＭ２２０から読み出す。ＣＰＵ１００は、所定時間ごとの話速を読み出し、それらの平均値と各話速の値のばらつきである標準偏差σを算出する。そしてＣＰＵ１００は、ＲＯＭ２１０に記憶されているフレーム長選択テーブルにおいて、平均値、平均値＋σ、平均値−σの値に対応付けられたフレーム長を読み出す。そしてＣＰＵ１００は、各音信号を読み出したフレーム長で分断し、分断した音信号（フレーム）をＲＡＭ２２０に書き込む。なお、図５の（ａ）―Ａ、（ａ）―Ｂ、および（ａ）―Ｃには、音信号Ａ、Ｂ、およびＣがそれぞれ異なるフレーム長で分断された状況が示されている。

ステップＳＡ１４０において、ＣＰＵ１００は、ＲＡＭ２２０に書き込まれた音信号のフレームの各々について、上述したリバース処理を行う。リバース処理がなされた結果、音信号Ａ、Ｂ、およびＣの各フレームは、それぞれ図５の（ｂ）―Ａ、（ｂ）―Ｂ、および（ｂ）―Ｃに示されるようにフレーム内で時間的に逆に読み出された音信号に変換される。

ステップＳＡ１５０において、各フレームには窓掛け処理が行われる。その結果、各フレームの頭部および尾部に対応する部分の波形が整形される。
ステップＳＡ１６０において、ＣＰＵ１００は、各音信号についてその複数のフレームの順序をランダムに並べ替える（図５（ｃ）参照）。
ステップＳＡ１７０において、ＣＰＵ１００は、並べ替えられたフレームの音信号をつなぎ合わせ、新たな音信号を生成する。
ステップＳＡ１８０において、ＣＰＵ１００は、ステップＳＡ１３０ないし１７０においてそれぞれ別個に処理がなされた音信号Ａ、Ｂ、およびＣをミキシング（加算）処理し、マスキングサウンドを生成する（図５（ｄ）参照）。

以上の処理により生成されたマスキングサウンドは、以下のような特徴を持つ。すなわち、生成されるマスキングサウンドにおいては、元の音に含まれていた音量レベルの変動が平均化されている。なぜならば、元の音は短いフレームで分断されそれらのフレームはランダムに順序が並べ替えられているだけでなく、そのような処理がなされた複数の音信号が重ねあわされているからである。そのため、マスキングサウンドの音量レベルは略一定に保たれており、元の音信号の音量レベルの変動によるマスキング効果の不安定さが抑制される。

また、音信号を分断するフレーム長は話速に応じて適切に設定されるため、元の音に含まれていた音素は適切に分断されており、高いマスキング効果を有する。また、音素の分割やフレーム内のリバース処理により音の無意味化が十分になされており、ユーザのプライバシーやセキュリティーは保護される。また、各フレームのつなぎ目においては窓掛け処理がなされていることから、生成されたマスキングサウンドは滑らかにつながった音信号となり、ユーザに対する不快感を抑制できる。

（Ｃ；変形例）
以上、本発明の一実施形態について説明したが、かかる実施形態に以下に述べるような変形を加えても良いことは勿論である。また、以下に述べる変形を組み合わせて用いてもよい。

（１）上記実施形態においては、マスキングサウンド生成装置１０のＣＰＵ１００が本発明に特徴的な処理の多くを実行する場合について説明したが、それぞれの処理を行うハードウェアモジュールを設けて同様の処理を行わせるようにしても良い。

（２）上記実施形態においては、音信号に上述した各種の処理を全て施す場合について説明した。しかし、上述した全ての処理を必ずしも行わなくても良く、それらの処理を組み合わせることにより言語としての意味が理解できない程度に音信号が改変されていれば良い。

（３）上記実施形態においては、音響空間２０Ａで収音した音信号からマスキングサウンドを生成した。しかし、実際にマスキングサウンドが放音される空間は音響空間２０Ｂであり、両音響空間の間には壁などの音響特性を変化させる障害物即ち遮音構造体が存在する。従って、ＣＰＵ１００は、上記実施形態に記載の方法で一旦マスキングサウンドを生成し、該マスキングサウンドに前記遮音構造体の遮音特性を模したフィルタリング処理を施して該音信号が壁を透過した場合の音響効果を付与しても良い。その結果、生成されるマスキングサウンドは、音響空間２０Ｂのユーザに聞こえる音響空間２０Ａの騒音を模した音信号となるため、音響空間２０Ａにおいてより高いマスキング効果が期待できる。

（４）上記実施形態においては、話速（発話の速度）の分析方法の一例について説明した。しかし、話速の分析方法は、上述の方法に限定されるものではなく、同様の分析結果が得られる方法であればどのような方法を用いても良い。

（５）上記実施形態においては、単一の音信号を複数の音信号に複製し、それらの音信号に対してそれぞれ異なる音信号処理を施して異なる音信号へと変換し、その後ミキシングしてマスキングサウンドの音信号を生成する場合について説明した。しかし、音信号処理を施した後の複数の音信号をミキシングせず、それぞれの音信号を複数の出力系統から別個に出力し、音響空間２０Ｂに複数のスピーカを隣接して設け、該複数のスピーカから出力するようにしても良い。

（６）上記実施形態においては、音響空間２０Ａにマイクロホン３０を設け、音響空間２０Ｂにスピーカ４０を設ける場合について説明した。しかし、音響空間２０Ａまたは２０Ｂのいずれか一方のみにマイクロホン３０およびスピーカ４０を設置しても良い。例えば音響空間２０Ａにマイクロホン３０およびスピーカ４０を設置した場合、音響空間２０Ａのユーザの会話内容からマスキングサウンドが生成され、該マスキングサウンドは音響空間２０Ａにおいて放音されるため、音響空間２０Ｂには、会話内容とマスキングサウンドの両者が漏れ聞こえることになる。その結果、音響空間２０Ｂのユーザは、音響空間２０Ａのユーザの会話内容を理解することが困難になる。なお、この場合、前記マイクロホン３０とスピーカ４０によりハウリングが発生しないような配置や信号処理を行うことは当然のことである。

（７）上記実施形態においては、音響空間２０Ａおよび２０Ｂの複数の部屋にそれぞれマイクロホン３０およびスピーカ４０が設置される場合について説明した。しかし、同じ空間内にマイクロホン３０およびスピーカ４０を離して設置して、マイクロホン３０の付近で秘匿性の高い会話がなされ、スピーカ４０からマスキングサウンドが放音されスピーカ４０の付近のユーザにマスキングサウンドを放音することで該会話内容が聞こえないようにするようにしても良い。

（８）上記実施形態においては、音響空間２０Ａにマイクロホン３０を、音響空間２０Ｂにスピーカ４０を設置する場合について説明した。しかし、複数の音響空間、例えば音響空間２０Ａおよび２０Ｂのそれぞれにおいて、マイクロホン３０およびスピーカ４０の両者を設置するようにしてもよい。その場合、マスキングサウンド生成装置１０は入力手段を有し、ユーザは、秘匿性の高い会話を行う場合には入力手段を介してその旨を入力し、マスキングサウンド生成装置１０は、該入力がなされた音響空間においてはマイクロホン３０で音を収音し、他方の音響空間において生成されたマスキングサウンドを放音するように制御すれば良い。

（９）上記実施形態においては、ＣＰＵ１００は、入力された音信号を相異なるフレーム長の３つの音信号に複製し、それぞれの音信号において相異なる音信号処理を施し、その後それらの音信号をミキシングしてマスキングサウンドを生成した。しかし、扱う音信号の系統数は３に限られるものではなく、１または２でも良いし４以上でも良いが、マスキングサウンドとしての効果は、系統数がより多いほど高い。

（１０）上記実施形態においては、話速分析処理による話速のデータから、その時間経過に伴う変動を表す標準偏差σを算出し、話速の平均値、平均値＋σ、平均値−σの値を、複製された音信号の各々のフレーム化処理に適用する場合について説明した。しかし、用いるパラメータは、平均値と平均値±σの値に限られるものではない。例えば、σに代えて標準誤差などを用いても良いし、σに代えて予め定められた値を用いても良い。また、話速の平均値ではなく、話速の最大値や最小値としても良い。

（１１）上記実施形態において、フレーム長選択テーブルで、１つの話速に対して３つのフレーム長を対応させておくようにし、ＣＰＵ１００は話速の平均値から複数のフレーム長を選択するようにしても良い。

（１２）上記実施形態においては、複製された音信号をそれぞれ異なるフレーム長で分割する場合について説明した。しかし、複数の音信号を共通のフレーム長で分割するようにしても良い。その場合、ＣＰＵ１００は話速の平均値を算出し、該平均値に対応するフレーム長をフレーム長選択テーブルから読み出し、読み出されたフレーム長を用いて各々の音信号をフレームに分割するようにすれば良い。

（１３）上記実施形態においては、単一の話速から複数の話速の値（平均値、平均値＋σ、平均値−σ）を生成し、それら複数の話速の値にそれぞれ対応するフレーム長を用いて音信号を分割する場合について説明した。しかし、単一のフレーム長に複数のフレーム長が対応付けられたテーブルを設けるなどし、単一の話速から一旦フレーム長を決定した後、該フレーム長に対応付けられた複数のフレーム長を用いて各音信号をフレームに分割しても良い。

（１４）上記実施形態においては、音響空間２０Ａにおいて収音した音に基づいてその都度マスキングサウンドを生成し、他の音響空間２０Ｂにおいて放音する場合について説明した。しかし、音響空間２０Ａにおいて収音した音に基づいて上記実施形態と同様にマスキングサウンドを生成し、生成したマスキングサウンドを表す音信号を記憶部２００に記憶しておき、マスキングサウンドを放音する際には、該記憶部２００に記憶されたマスキングサウンドの音信号を出力するようにしても良い。例えば、音響空間２０Ａにおいて生じる騒音の音響特性が略一定である場合などには、上述のように予め生成されたマスキングサウンドを放音するとしても十分なマスキング効果が奏される。

マスキングサウンド生成装置１０が設けられた音響空間２０の構成を示した図である。 マスキングサウンド生成装置１０の構成を示したブロック図である。 フレーム長選択テーブルの一例を示した図である。 マスキングサウンド生成処理の流れを示したフローチャートである。 マスキングサウンド生成処理における音信号の波形変化を示した図である。

符号の説明

１…サウンドマスキングシステム、１０…マスキングサウンド生成装置、２０…音響空間、３０…マイクロホン、４０…スピーカ、１００…ＣＰＵ、２００…記憶部、２１０…ＲＯＭ、２２０…ＲＡＭ、３００…音声入力部、３１０…Ａ／Ｄコンバータ、３２０…入力端子、４００…音声出力部、４１０…Ｄ／Ａコンバータ、４２０…アンプ、４３０…出力端子、５００…バス

Claims (10)

1. 音声を収音し対応する音声信号を生成する収音手段と、
   前記収音手段が生成した前記音声信号に基づいて前記収音された音声の発話の速度を示す話速信号を生成する話速信号生成手段と、
   前記発話の速度と前記音声信号を所定時間長に分割する区間を表すフレーム長とが対応付けて書き込まれたテーブルと、
   前記話速信号生成出手段が生成した話速信号に対応するフレーム長を前記テーブルから読み出す読出手段と、
   前記収音手段が生成した音声信号を複製して複数の系列に分岐し、該分岐した各系列の音声信号を前記読出手段が読み出したフレーム長に基づいて複数のフレームに分割し、該分割した複数のフレームの時系列が各系列において変更されるように再構成し、該再構成した各音声信号をスクランブル信号として出力するスクランブル手段と
   を具備することを特徴とするサウンドマスキングシステム。
2. 前記スクランブル手段は、前記読出手段が読み出したフレーム長に基づいて、前記各系列のフレーム分割におけるフレームの長さが各系列で異なるように分割用フレーム長を生成し、該生成した分割用フレーム長を用いて各系列の音声信号をフレームに分割することを特徴とする請求項１に記載のサウンドマスキングシステム。
3. 前記テーブルは、一つの発話の速度に対して前記各系列に対するフレーム長を対応させて記憶し、
   前記スクランブル手段は、前記読出手段が読み出した前記各系列に対するフレーム長に基づいて前記各系列の音声信号をフレームに分割することを特徴とする請求項１に記載のサウンドマスキングシステム。
4. 前記話速信号生成手段が生成した話速信号を加工し複数の話速信号を生成する加工手段を更に備え、
   前記読出手段は、前記加工手段が生成した複数の話速信号とそれぞれ対応するフレーム長を前記テーブルから読み出し、
   前記スクランブル手段は、前記読出手段が読み出した各フレーム長を用いて各系列の音声信号をフレームに分割することを特徴とする請求項１に記載のサウンドマスキングシステム。
5. 前記スクランブル手段は、前記音声信号が分割された結果生成された複数のフレームの各々を、該フレームを時間的に逆に読み出すことにより生成した音声信号に置き換えるリバース手段を更に有すること
   を特徴とする請求項１ないし４に記載のサウンドマスキングシステム。
6. 前記スクランブル手段は、前記音声信号が分割された結果生成された複数のフレームを、元の音声信号における順序とは異なる順序に並べ替える並べ替え手段を更に有すること
   を特徴とする請求項１ないし４に記載のサウンドマスキングシステム。
7. 音声を収音し対応する音声信号を生成する収音手段と、
   前記収音手段が生成した前記音声信号に基づいて前記収音された音声の発話の速度を示す話速信号を生成する話速信号生成手段と、
   前記発話の速度と前記音声信号を所定時間長に分割する区間を表すフレーム長とが対応付けて書き込まれたテーブルと、
   前記話速信号生成出手段が生成した話速信号に対応するフレーム長を前記テーブルから読み出す読出手段と、
   前記収音手段が生成した音声信号を前記読出手段が読み出したフレーム長に基づいて複数のフレームに分割し、分割した複数のフレームの各々を、該フレームを時間的に逆に読み出すことにより生成した音声信号に置き換え、該置き換えられた複数のフレームを時系列が変更されるように再構成し、再構成後の各音声信号をスクランブル信号として出力するスクランブル手段と
   を具備することを特徴とするサウンドマスキングシステム。
8. 前記スクランブル手段により分割された複数のフレームの頭部および尾部の波形を加工する波形加工手段を更に有すること
   を特徴とする請求項１ないし７に記載のサウンドマスキングシステム。
9. 音声を収音し対応する音声信号を生成する収音段階と、
   前記収音段階において生成された前記音声信号に基づいて前記収音された音声の発話の速度を示す話速信号を生成する話速信号生成段階と、
   前記話速信号生成出段階において生成された話速信号に対応するフレーム長を前記発話の速度と前記音声信号を所定時間長に分割する区間を表すフレーム長とが対応付けて書き込まれたテーブルから読み出す読出段階と、
   前記収音段階において生成された音声信号を複製して複数の系列に分岐し、該分岐した各系列の音声信号を前記読出段階において読み出されたフレーム長に基づいて複数のフレームに分割し、該分割した複数のフレームの時系列が各系列において変更されるように再構成し、該再構成した各音声信号をスクランブル信号として出力するスクランブル段階と
   を具備することを特徴とするマスキングサウンド生成方法。
10. コンピュータを、
    音声を収音し対応する音声信号を生成する収音手段と、
    前記収音手段が生成した前記音声信号に基づいて前記収音された音声の発話の速度を示す話速信号を生成する話速信号生成手段と、
    前記話速信号生成出手段が生成した話速信号に対応するフレーム長を前記発話の速度と前記音声信号を所定時間長に分割する区間を表すフレーム長とが対応付けて書き込まれたテーブルから読み出す読出手段と、
    前記収音手段が生成した音声信号を複製して複数の系列に分岐し、該分岐した各系列の音声信号を前記読出手段が読み出したフレーム長に基づいて複数のフレームに分割し、該分割した複数のフレームの時系列が各系列において変更されるように再構成し、該再構成した各音声信号をスクランブル信号として出力するスクランブル手段
    として機能させるプログラム。

Images