JP4745916B2 - 雑音抑圧音声品質推定装置、方法およびプログラム - Google Patents

Description

本発明は、雑音抑圧処理技術を利用する音声通信サービスにおける音声品質の評価技術に係り、特に周囲騒音の影響が大きい通信環境下での音声品質を評価する技術に関するものである。

周囲騒音が大きい環境の音声通信では、送話器に騒音が混入することで、受話者は雑音が重畳した音声を受聴することとなる。ハンズフリー通信では、ハンドセットやヘッドセットを利用する場合に比べて、人間の口とマイクとの間の距離が長くなるため、マイクの収音範囲が広くなり、周囲騒音の影響を受けやすい。また、携帯電話による音声通信では、周囲騒音の大きい室外の環境で使用されることが多いため、ハンドセット通信においても周囲騒音の影響を受けやすい。そのため、このような通信形態では雑音抑圧処理技術が重要となる。

従来、様々な手法を用いた雑音抑圧処理技術が開発されている。高品質な音声通信サービスを提供するためには、雑音抑圧処理技術の性能を正確に把握し、方式のパラメータ最適化および方式選定を行うことが重要である。そのため、雑音抑圧音声の品質評価法が望まれる。
音声品質評価の基本は、実際に音声受聴や会話を行うことによる心理評価に基づく主観品質評価である。主観品質評価は、ユーザが実感する品質を直接的に評価することができる反面、十分な数の被験者や専用の設備が必要となり、多大なコストや時間を要するなど簡便ではない。

そこで、人間による主観評価の代わりに、音声信号の物理量に基づいて効率的に主観品質を推定する技術が望まれる。このような技術を客観品質評価と呼ぶ。現在、雑音抑圧処理性能の客観的指標として最も広く用いられている特徴量に雑音除去量が挙げられるが、主観品質との対応という観点では必ずしも十分ではない。なぜなら、雑音の抑圧処理の過程で音声や雑音に歪みが生じ、主観品質に影響を与える要因となるため、主観品質を適切に推定するためには、このような歪みも考慮する必要があるからである。

音声歪みを評価可能な客観品質評価技術として、非特許文献１に開示されたＰＥＳＱ（Perceptual evaluation of speech quality ）がある。ＰＥＳＱは、原音声信号と、評価対象となる符号化方式や装置で処理された劣化音声信号とを入力とし、両信号の差分から評価対象の品質を測定する技術である。図８、図９はＰＥＳＱを用いた品質評価系の構成例を示すブロック図である。図８は雑音が重畳していない音声信号の品質評価を行う場合の構成を示し、図９は雑音が重畳している音声信号の品質評価を行う場合の構成を示している。図８、図９において、１００は評価対象装置、１０１はＰＥＳＱ装置、１０２は音声加算器である。

ITU-T Recommendation P.862，「Perceptual evaluation of speech quality(PESQ),an obective method for end-to-end speech quality assessment of narrow-band telephone networks and speech codecs」，Feb.2001

図９に示すとおり、ＰＥＳＱでは、雑音が重畳される前の音声信号と雑音抑圧音声信号とを入力としているため、音声歪みを考慮した雑音重畳音声を品質評価することは可能である。しかしながら、ＰＥＳＱでは、抑圧処理前の雑音に関する入力が無いために、雑音歪みを考慮した評価を行うことができない。よって、非特許文献１に開示されたＰＥＳＱでは、雑音抑圧音声の評価を正確に行うことはできないという問題点があった。

本発明は、上記課題を解決するためになされたもので、雑音抑圧音声の評価を正確に行うことができる雑音抑圧音声品質推定装置、方法およびプログラムを提供することを目的とする。

本発明は、雑音抑圧音声の品質を客観的に推定する雑音抑圧音声品質推定装置であって、評価対象となる雑音抑圧処理装置への入力として雑音重畳音声信号を与えたときに、前記雑音抑圧処理装置から出力される雑音抑圧音声信号の品質要因の特徴量を検出する検出手段と、この検出手段により検出された特徴量に基づいて前記雑音抑圧音声信号の品質を推定する推定手段とを備え、前記検出手段は、前記雑音抑圧音声信号を一定時間で区切ったときの各区間が音声区間か無音声区間かを判別する判別手段と、音声区間における前記雑音抑圧音声信号の品質要因の特徴量を検出する音声区間特徴量検出手段と、無音声区間における前記雑音抑圧音声信号の品質要因の特徴量を検出する無音声区間特徴量検出手段とを備え、前記音声区間特徴量検出手段は、雑音が重畳される前の音声信号とこれに対応する前記音声区間における雑音抑圧音声信号とを比較することにより、前記雑音抑圧音声信号の品質要因の特徴量として音声歪みを検出する音声歪み測定部と、前記雑音抑圧音声信号の品質要因の特徴量として前記音声区間における雑音抑圧音声信号の音量を検出する音量測定部とを有し、前記無音声区間特徴量検出手段は、前記無音声区間における雑音抑圧音声信号とこれに対応する前記雑音重畳音声信号又はこの雑音重畳音声信号の元となる雑音信号とを比較することにより、前記雑音抑圧音声信号の品質要因の特徴量として雑音歪みを検出する雑音歪み測定部と、前記雑音抑圧音声信号の品質要因の特徴量として前記無音声区間における雑音抑圧音声信号の雑音量を検出する雑音量測定部とを有し、前記雑音歪みは、前記無音声区間における雑音抑圧音声信号を劣化音声信号、これに対応する前記雑音重畳音声信号又はこの雑音重畳音声信号の元となる雑音信号を参照信号としたときのＰＥＳＱ値もしくはＷｉｄｅｂａｎｄ−ＰＥＳＱ値であり、前記推定手段は、前記音声歪みと前記雑音抑圧音声信号の音量と前記雑音歪みと前記雑音抑圧音声信号の雑音量とに基づいて前記雑音抑圧音声信号の品質を推定することを特徴とするものである。

また、本発明の雑音抑圧音声品質推定装置の１構成例は、さらに、音声信号が予め登録された音声データベースと、この音声データベースの音声信号を実通話環境下で再生する音声再生手段と、前記再生された音声を集音したときに得られる信号を前記雑音重畳音声信号として出力する音声録音手段とを備えるものである。
また、本発明の雑音抑圧音声品質推定装置の１構成例は、さらに、音声信号が予め登録された音声データベースと、実通話環境下で雑音信号を集音する音声録音手段と、前記音声データベースの音声信号と前記音声録音手段が集音した雑音信号とを加算した信号を前記雑音重畳音声信号として出力する音声加算手段とを備えるものである。
また、本発明の雑音抑圧音声品質推定装置の１構成例は、さらに、音声信号が予め登録された音声データベースと、雑音信号が予め登録された雑音データベースと、前記音声データベースの音声信号と前記雑音データベースの雑音信号とを加算した信号を前記雑音重畳音声信号として出力する音声加算手段とを備えるものである。

また、本発明の雑音抑圧音声品質推定方法は、評価対象となる雑音抑圧処理装置への入力として雑音重畳音声信号を与えたときに、前記雑音抑圧処理装置から出力される雑音抑圧音声信号の品質要因の特徴量を検出する検出手順と、この検出手順により検出された特徴量に基づいて前記雑音抑圧音声信号の品質を推定する推定手順とを備え、前記検出手順は、前記雑音抑圧音声信号を一定時間で区切ったときの各区間が音声区間か無音声区間かを判別する判別手順と、音声区間における前記雑音抑圧音声信号の品質要因の特徴量を検出する音声区間特徴量検出手順と、無音声区間における前記雑音抑圧音声信号の品質要因の特徴量を検出する無音声区間特徴量検出手順とからなり、前記音声区間特徴量検出手順は、雑音が重畳される前の音声信号とこれに対応する前記音声区間における雑音抑圧音声信号とを比較することにより、前記雑音抑圧音声信号の品質要因の特徴量として音声歪みを検出する音声歪み測定手順と、前記雑音抑圧音声信号の品質要因の特徴量として前記音声区間における雑音抑圧音声信号の音量を検出する音量測定手順とからなり、前記無音声区間特徴量検出手順は、前記無音声区間における雑音抑圧音声信号とこれに対応する前記雑音重畳音声信号又はこの雑音重畳音声信号の元となる雑音信号とを比較することにより、前記雑音抑圧音声信号の品質要因の特徴量として雑音歪みを検出する雑音歪み測定手順と、前記雑音抑圧音声信号の品質要因の特徴量として前記無音声区間における雑音抑圧音声信号の雑音量を検出する雑音量測定手順とからなり、前記雑音歪みは、前記無音声区間における雑音抑圧音声信号を劣化音声信号、これに対応する前記雑音重畳音声信号又はこの雑音重畳音声信号の元となる雑音信号を参照信号としたときのＰＥＳＱ値もしくはＷｉｄｅｂａｎｄ−ＰＥＳＱ値であり、前記推定手順は、前記音声歪みと前記雑音抑圧音声信号の音量と前記雑音歪みと前記雑音抑圧音声信号の雑音量とに基づいて前記雑音抑圧音声信号の品質を推定することを特徴とするものである。

また、本発明の雑音抑圧音声品質推定プログラムは、評価対象となる雑音抑圧処理装置への入力として雑音重畳音声信号を与えたときに、前記雑音抑圧処理装置から出力される雑音抑圧音声信号の品質要因の特徴量を検出する検出手順と、この検出手順により検出された特徴量に基づいて前記雑音抑圧音声信号の品質を推定する推定手順とをコンピュータに実行させ、前記検出手順は、前記雑音抑圧音声信号を一定時間で区切ったときの各区間が音声区間か無音声区間かを判別する判別手順と、音声区間における前記雑音抑圧音声信号の品質要因の特徴量を検出する音声区間特徴量検出手順と、無音声区間における前記雑音抑圧音声信号の品質要因の特徴量を検出する無音声区間特徴量検出手順とからなり、前記音声区間特徴量検出手順は、雑音が重畳される前の音声信号とこれに対応する前記音声区間における雑音抑圧音声信号とを比較することにより、前記雑音抑圧音声信号の品質要因の特徴量として音声歪みを検出する音声歪み測定手順と、前記雑音抑圧音声信号の品質要因の特徴量として前記音声区間における雑音抑圧音声信号の音量を検出する音量測定手順とからなり、前記無音声区間特徴量検出手順は、前記無音声区間における雑音抑圧音声信号とこれに対応する前記雑音重畳音声信号又はこの雑音重畳音声信号の元となる雑音信号とを比較することにより、前記雑音抑圧音声信号の品質要因の特徴量として雑音歪みを検出する雑音歪み測定手順と、前記雑音抑圧音声信号の品質要因の特徴量として前記無音声区間における雑音抑圧音声信号の雑音量を検出する雑音量測定手順とからなり、前記雑音歪みは、前記無音声区間における雑音抑圧音声信号を劣化音声信号、これに対応する前記雑音重畳音声信号又はこの雑音重畳音声信号の元となる雑音信号を参照信号としたときのＰＥＳＱ値もしくはＷｉｄｅｂａｎｄ−ＰＥＳＱ値であり、前記推定手順は、前記音声歪みと前記雑音抑圧音声信号の音量と前記雑音歪みと前記雑音抑圧音声信号の雑音量とに基づいて前記雑音抑圧音声信号の品質を推定することを特徴とするものである。

本発明によれば、評価対象となる雑音抑圧処理装置への入力として雑音重畳音声信号を与え、雑音抑圧処理装置から出力される雑音抑圧音声信号の品質要因の特徴量を検出する際に、雑音重畳音声信号又は雑音重畳音声信号の元となる雑音信号と雑音抑圧音声信号とを比較することにより、雑音抑圧音声信号の品質要因の特徴量として少なくとも雑音歪みを検出し、この特徴量に基づいて雑音抑圧音声信号の品質を推定することにより、雑音抑圧音声のユーザ体感に即した品質推定が可能となり、雑音抑圧処理技術の適切な設定や性能の比較を安価かつ容易に行うことが可能となる。例えば、音声通話を行う環境に応じた音声信号および雑音信号を入力として与えることで、各環境における雑音抑圧処理技術の性能を知ることができる。また、雑音抑圧処理技術を開発している業者にとって、開発技術の性能を知ることを可能とする。さらに、音声通信端末を設計している業者にとって、端末内に雑音抑圧処理技術を組み込む場合に、想定される使用環境に応じた最良の技術の選択および設定を可能とする。
本発明では、雑音抑圧音声信号の雑音量を測定する際に、一定時間ごとの音量を測定することで突発的な雑音を捉える。これにより、突発的な雑音が体感品質に与える影響を考慮した雑音抑圧音声信号の雑音量の測定を行うことが可能となる。
本発明では、雑音抑圧音声信号の音声歪みを測定する際に、雑音抑圧音声信号と雑音重畳音声信号の元となる音声信号を比較することにより検出した歪みの大きさから、雑音の音量に基づいて雑音による歪みの影響を取り除く。これにより、雑音抑圧音声信号の純粋な音声歪みの測定を行うことが可能となる。

また、本発明では、音声データベースの音声信号を実通話環境下で再生し、再生された音声を集音したときに得られる信号を雑音重畳音声信号として出力することにより、実通話環境下における雑音抑圧音声のユーザ体感に即した品質推定を正確かつ容易に行うことが可能となる。

また、本発明では、実通話環境下で雑音信号を集音し、音声データベースの音声信号と集音した雑音信号とを加算した信号を雑音重畳音声信号として出力することにより、実通話環境下における雑音抑圧音声のユーザ体感に即した品質推定を正確かつ容易に行うことが可能となる。

また、本発明では、音声データベースの音声信号と雑音データベースの雑音信号とを加算した信号を雑音重畳音声信号として出力することにより、様々な雑音環境下における雑音抑圧音声のユーザ体感に即した品質推定を正確かつ容易に行うことが可能となる。

［第１の実施の形態］
以下、本発明の実施の形態について図面を用いて説明する。図１は、本発明の第１の実施の形態に係る雑音抑圧音声品質推定装置の構成例を示すブロック図である。
図１に示すように、雑音抑圧音声品質推定装置１は、音声データベース部２、音声再生部３、スピーカ４、音声録音部５、マイク６、音声区間検出部７（判別手段）、遅延補正部８−１，８−２−１，８−２−２、スイッチ制御部９、音声連結部１０（１０−１〜１０−４）、音声歪み測定部１１、雑音歪み測定部１２、音量測定部１３、雑音量測定部１４、音声品質推定部１５（推定手段）、音声品質出力部１６、スイッチ２０，２１，２２を備えている。

音声区間検出部７と遅延補正部８−１，８−２−１，８−２−２とスイッチ制御部９と音声連結部１０と音声歪み測定部１１と雑音歪み測定部１２と音量測定部１３と雑音量測定部１４とスイッチ２０〜２２とは、雑音抑圧音声信号の品質要因の特徴量を検出する検出手段を構成している。

音声再生部３は、音声データベース部２から音声信号Ａを取得し、音声通話を行う環境下で音声信号Ａをスピーカ４から出力する。
マイク６は、スピーカ４から出力された音声を集音する。このとき、マイク６が集音する音声には雑音が重畳されているので、マイク６から出力される音声信号を雑音重畳音声信号Ｂとする。音声録音部５は、マイク６が集音した雑音重畳音声信号Ｂを取得して評価対象装置１００（雑音抑圧処理装置）と遅延補正部８−２−２に入力する。雑音重畳音声信号Ｂを評価対象装置１００に入力することで、評価対象装置１００から出力される雑音抑圧処理された音声信号をＣとする。評価対象装置１００の例としては、例えば音声通信端末がある。

遅延補正部８−１は、音声信号Ａと雑音抑圧音声信号Ｃとを入力とし、雑音抑圧音声信号Ｃの音声信号Ａに対する遅延時間を測定する。遅延補正部８−１は、音声信号Ａと雑音抑圧音声信号Ｃとの間の短時間相互相関係数が最大となる時間を求めることにより、雑音抑圧音声信号Ｃの遅延時間を測定する。遅延補正部８−２−１は、音声信号Ａに遅延補正部８−１で測定された遅延時間分だけ遅延を与えることにより、雑音抑圧音声信号Ｃと時刻が同期した音声信号Ａ’を出力する。遅延補正部８−２−２は、雑音重畳音声信号Ｂに遅延補正部８−１で測定された遅延時間分だけ遅延を与えることにより、雑音抑圧音声信号Ｃと時刻が同期した雑音重畳音声信号Ｂ’を出力する。

音声区間検出部７は、音声信号Ａ’を一定の短区間（２０ｍｓ）ごとに分けて、各区間が音声の存在する音声区間か無音声の区間かをＶＡＤ（Voice Activity Detection）を用いて区間ごとに判別する。音声区間検出部７は、このようにして得られた音声信号Ａ’の各区間の種別情報（音声区間又は無音性区間）をスイッチ制御部９に送信する。

スイッチ制御部９は、音声区間検出部７から通知された音声信号Ａ’の各区間の種別を基にスイッチ２０〜２２を制御する。
図２は、音声信号Ａ’の短区間ｘ１が音声区間と判別されたときのスイッチ制御を示す図である。スイッチ制御部９は、音声信号Ａ’の短区間ｘ１が音声区間であることを示す種別情報が入力された場合、スイッチ２０を切り換えて、音声信号Ａ’の短区間ｘ１が音声連結部１０−１に入力されるようにすると同時に、スイッチ２１を切り換えて、雑音抑圧音声信号Ｃの短区間が音声連結部１０−３に入力されるようにする。雑音抑圧音声信号Ｃは音声信号Ａ’と同期しているため、音声信号Ａ’の短区間ｘ１に対応した雑音抑圧音声信号Ｃの短区間が音声連結部１０−３に入力されることになる。また、スイッチ制御部９は、スイッチ２２を制御して、音声連結部１０−２への信号入力を無入力とする。

図３は、音声信号Ａ’の短区間ｘ２が無音声区間と判別されたときのスイッチ制御を示す図である。スイッチ制御部９は、音声信号Ａ’の短区間ｘ２が無音声区間であることを示す種別情報が入力された場合、スイッチ２１を切り換えて、雑音抑圧音声信号Ｃの短区間が音声連結部１０−４に入力されるようにすると同時に、スイッチ２２を切り換えて、雑音重畳音声信号Ｂ’の短区間が音声連結部１０−２に入力されるようにする。雑音重畳音声信号Ｂ’および雑音抑圧音声信号Ｃは音声信号Ａ’と同期しているため、音声信号Ａ’の短区間ｘ２に対応した雑音重畳音声信号Ｂ’の短区間が音声連結部１０−２に入力され、短区間ｘ２に対応した雑音抑圧音声信号Ｃの短区間が音声連結部１０−４に入力されることになる。また、スイッチ制御部９は、スイッチ２０を制御して、音声連結部１０−１への信号入力を無入力とする。

音声連結部１０−１は、最初に入力された短区間の信号を記憶し、以降は短区間の信号が入力される度に、入力された短区間の信号を現在記憶している最新の信号の後ろに連結して、この連結した信号を新たに記憶する。音声連結部１０−１は、入力される全ての音声信号Ａ’の短区間を以上のように連結して記憶する。音声連結部１０−２，１０−３，１０−４は、それぞれ同様に入力される短区間の信号を連結して記憶する。

これにより、音声連結部１０−１には音声信号Ａ’の全ての音声短区間を連結した音声信号ａが記憶され、音声連結部１０−２には音声信号Ａ’の全ての無音声短区間に対応した雑音重畳音声信号Ｂ’の短区間を連結した雑音信号ｂが記憶され、音声連結部１０−３には音声信号Ａ’の全ての音声短区間に対応した雑音抑圧音声信号Ｃの短区間を連結した音声信号ｃ１が記憶され、音声連結部１０−４には音声信号Ａ’の全ての無音声短区間に対応した雑音抑圧音声信号Ｃの短区間を連結した雑音信号ｃ２が記憶される。音声信号Ａ’、雑音重畳音声信号Ｂ’および雑音抑圧音声信号Ｃと、音声信号ａ，ｃ１および雑音信号ｂ，ｃ２との関係を図４に示す。なお、図４の縦軸は信号レベル、横軸は時間である。

音声歪み測定部１１には、音声信号ａ，ｃ１が入力される。音声歪み測定部１１は、音声信号ａとｃ１とを比較することにより、雑音抑圧音声信号Ｃの音声歪みを測定する。本実施の形態では、音声の比較に公知のＰＥＳＱを用い、音声信号ａを参照信号、音声信号ｃ１を劣化音声信号として音声歪みの測定を行う。ＰＥＳＱでは歪みの特徴量をＰＥＳＱ値として出力する。音声歪み測定部１１は、測定したＰＥＳＱ値を音声歪み量ｘ₁として音声品質推定部１５に送信する。

雑音歪み測定部１２には、雑音信号ｂ，ｃ２が入力される。雑音歪み測定部１２は、雑音信号ｂとｃ２とを比較することにより、雑音抑圧音声信号Ｃの雑音歪みを測定する。本実施の形態では、音声歪みの測定のときと同様に、音声の比較に公知のＰＥＳＱを用い、雑音信号ｂを参照信号、雑音信号ｃ２を劣化音声信号として測定を行う。雑音歪み測定部１２は、測定したＰＥＳＱ値を雑音歪み量ｘ₂として音声品質推定部１５に送信する。

音量測定部１３には、音声信号ｃ１が入力される。音量測定部１３は、音声信号ｃ１の音量を測定することにより、雑音抑圧音声信号Ｃの音量を測定する。本実施の形態では、音量の測定にＩＳＯ５３２で規格化された方法を用いる。音量測定部１３は、測定した音量ｘ₃の値を音声品質推定部１５に送信する。

雑音量測定部１４には、雑音信号ｃ２が入力される。雑音量測定部１４は、雑音信号ｃ２の音量を測定することにより、雑音抑圧音声信号Ｃの雑音量を測定する。本実施の形態では、音量の測定のときと同様に、測定にＩＳＯ５３２で規格化された方法を用いる。雑音量測定部１４は、測定した雑音量ｘ₄の値を音声品質推定部１５に送信する。

音声品質推定部１５は、音声歪み測定部１１、雑音歪み測定部１２、音量測定部１３および雑音量測定部１４から入力された雑音抑圧音声信号Ｃの音声歪み量、雑音歪み量、音量および雑音量を基に、雑音抑圧音声信号Ｃの主観品質を推定し、この主観品質の推定値を音声品質出力部１６へ送信する。音声品質推定部１５では、例えば以下の方法によって求めた推定式を用いて主観品質を推定することができる。

まず、推定式を求めるために、音声歪み、雑音歪み、音量、雑音量に対して様々な特徴量を与えた音声サンプルを予め用意し、各音声サンプルに対して複数の被験者が５段階の絶対範疇尺度による主観品質評価を行う。この主観品質評価により得られた評価値の平均をＭＯＳ（Mean Opinion Score）値と呼ぶ。ＭＯＳ値では、５点が非常に良く、１点が非常に悪いということを示している。

そして、各音声サンプルに対するＭＯＳ値を基に、音声歪みと雑音歪みと音量と雑音量の４つの品質要因の特徴量を変数として主観品質を推定する式を重回帰分析を用いて求めることで、以下のような式（１）を導出する。
ｙ＝α₁・ｘ₁＋α₂・ｘ₂＋α₃・ｘ₃＋α₄・ｘ₄＋α₅ ・・・（１）
ここで、ｘ₁は音声歪み量、ｘ₂は雑音歪み量、ｘ₃は音量、ｘ₄は雑音量、ｙはＭＯＳ値（主観品質推定値）を表している。α₁、α₂、α₃、α₄、α₅は定数である。音声品質推定部１５は、式（１）を用いて主観品質の推定値を求める。

音声品質出力部１６は、音声品質推定部１５から入力された雑音抑圧音声信号Ｃの主観品質の推定値を、雑音抑圧音声品質推定装置１の出力値として出力する。

以上のように、本実施の形態では、従来の問題点を解決するために、雑音抑圧処理前と処理後の雑音を比較して、雑音抑圧音声の雑音歪みを検出する。このために、本実施の形態では、雑音抑圧処理前の雑音信号に関する情報として、抑圧処理前の雑音重畳音声信号を用いる。さらに、雑音抑圧処理後の雑音を得るために、雑音抑圧音声信号を音声区間と無音声区間に分ける。無音声区間における雑音抑圧処理前と処理後の雑音の差分より、雑音抑圧音声の雑音歪みを正確に検出することができる。また、本実施の形態では、無音声区間の雑音抑圧音声の音量を測定することで雑音量を検出する。さらに、本実施の形態では、雑音抑圧音声信号の音声区間における、音声と雑音抑圧音声の差分により音声歪みを検出し、この音声区間の雑音抑圧音声の音量を測定することで音量を検出する。

このようにして検出した雑音抑圧音声の品質要因である音声歪み、雑音歪み、音量、雑音量から、雑音抑圧音声のユーザ体感品質を推定する。本実施の形態では、雑音抑圧音声の品質を推定するために、予め求めた推定式を用いる。この推定式は、各品質要因に対して様々な特徴量の雑音抑圧音声を用意し、主観品質評価実験によってそれぞれの主観品質評価値を取得して、取得した主観品質評価値と品質要因の特徴量の関係から導出したものである。

こうして、本実施の形態では、従来の客観品質評価では不可能であった雑音歪みについて考慮した雑音抑圧音声の品質評価を容易に行うことが可能となる。これにより、本実施の形態では、従来技術よりもユーザ体感品質に近い推定を行うことができる。また、本実施の形態では、音声データベース部２の音声信号を実通話環境下で再生し、再生した音声を集音したときに得られる信号を雑音重畳音声信号とすることにより、実際の通話環境下で生じる雑音重畳音声信号を用いて、雑音抑圧音声のユーザ体感に即した品質推定を正確かつ容易に行うことが可能となる。

［第２の実施の形態］
以下、本発明の第２の実施の形態について図面を用いて説明する。図５は、本発明の第２の実施の形態に係る雑音抑圧音声品質推定装置の構成例を示すブロック図であり、図１と同様の構成には同一の符号を付してある。
本実施の形態においても、雑音抑圧音声品質推定装置の構成は第１の実施の形態とほぼ同様であるので、第１の実施の形態と異なる部分のみ説明する。

まず、第１の実施の形態では、雑音量測定部１４が雑音信号ｃ２の音量を測定する際に、ＩＳＯ５３２で規格化された方法を用いるとしたが、このＩＳＯ５３２で規格化された方法を実施する際に、以下の方法を用いることもできる。雑音量測定部１４は、一定時間ｔ（ｍｓ）ごとに測定した音量Ｂ₁，Ｂ₂，・・・，Ｂ_nを式（２）に代入することで、突発的な雑音が体感品質に与える影響を考慮した雑音ｃ２の音量ｘ₅［ｄＢ］を算出する。本実施の形態ではｔ＝１２０、ｐ＝４とするが、この値に限定されるものではない。雑音量測定部１４は、測定した音量ｘ₅を雑音ｃ２の雑音量として音声品質推定部１５に送信する。また、雑音量測定部１４は、雑音量ｘ₅とは別に、ＩＳＯ５３２で規格化された方法を用いて雑音ｃ２の音量ｘ₄［ｄＢ］を算出する。雑音量測定部１４は、測定した音量ｘ₄を音声歪み測定部１１に送信する。

次に、第１の実施の形態では、音声歪み測定部１１における音声の比較にＰＥＳＱを用いたが、ＰＥＳＱに代えてＷｉｄｅｂａｎｄ−ＰＥＳＱを用いてもよい。Ｗｉｄｅｂａｎｄ−ＰＥＳＱは公知のＰＥＳＱの対象範囲を電話帯域から広帯域に拡張した技術であり、７ｋＨｚ帯域までを考慮した音声歪みの評価が可能である。本実施の形態の場合、音声歪み測定部１１には、音声ａ，ｃ１の他に、音量測定部１３から音量ｘ₃が入力され、雑音量測定部１４から音量ｘ₄が入力される。

音声歪み測定部１１は、音声ａと音声ｃ１の比較により雑音抑圧音声Ｃの音声歪みを得る。本実施の形態では、Ｗｉｄｅｂａｎｄ−ＰＥＳＱを用い、音声ａを参照信号、音声ｃ１を劣化音声としてＷ−ＰＥＳＱ値ｘ₆’を算出する。しかし、Ｗｉｄｅｂａｎｄ−ＰＥＳＱは重畳する雑音も歪みとして捉えるため、Ｗ−ＰＥＳＱ値ｘ₆’に対して、音声区間の音声の音量ｘ₃と無音声区間の雑音の音量ｘ₄に基づいて補正を加える。Ｗ−ＰＥＳＱ値ｘ₆’、音量ｘ₃，ｘ₄を式（３）に代入することにより、Ｗ−ＰＥＳＱ値ｘ₆’を補正した値ｘ₆を得る。

式（３）は、α₁と、ｘ₆’／（１−ｘ₆’／α₂ ^α3(x3-x4)）のうちどちらか小さい方を補正値ｘ₆とすることを意味している。ここでα₁，α₂，α₃は定数である。本実施の形態ではα₁＝４．６４４、α₂＝３、α₃＝０．０７としたが、この値に限定されるものではない。音声歪み測定部１１は、測定した値ｘ₆を音声ｃ１の音声歪み量として音声品質推定部１５に送信する。

次に、第１の実施の形態では、雑音歪み測定部１２における音声の比較にＰＥＳＱを用いたが、ＰＥＳＱに代えてＷｉｄｅｂａｎｄ−ＰＥＳＱを用いてもよい。雑音歪み測定部１２には、雑音ｂ，ｃ２が入力される。雑音歪み測定部１２は、雑音ｂと雑音ｃ２の比較により雑音抑圧音声Ｃの雑音歪みを得る。本実施の形態では、Ｗｉｄｅｂａｎｄ−ＰＥＳＱを用い、雑音ｂを参照信号、雑音ｃ２を劣化音声としてＷ−ＰＥＳＱ値ｘ₇を算出する。雑音歪み測定部１２は、算出したＷ−ＰＥＳＱ値ｘ₇を音声ｃ１の雑音歪み量として音声品質推定部１５に送信する。

音声の比較にＰＥＳＱに代えてＷｉｄｅｂａｎｄ−ＰＥＳＱを用いる場合、音声品質推定部１５は、入力された音量ｘ₃、雑音量ｘ₅、音声歪み量ｘ₆、雑音歪み量ｘ₇をもとに、雑音抑圧音声信号Ｃの主観品質を推定する。音声品質推定部１５は、式（４）に音量ｘ₃、雑音量ｘ₅、音声歪み量ｘ₆、雑音歪み量ｘ₇を代入することで値Ｑを算出する。

ただし、式（４）ではｘ₃−ｘ₅≧１０を制約条件とする。ここで、β₁〜β₁₁は定数である。本実施の形態では、β₁＝３．７、β₂＝０．２１５、β₃＝０．４、β₄＝３、β₅＝１．１、β₆＝０．９、β₇＝０．０５、β₈＝０．２、β₉＝４、β₁₀＝０．０００２、β₁₁＝２４としたが、この値に限定されるものではない。音声品質推定部１５は、算出した値Ｑを雑音抑圧音声信号Ｃの主観品質の推定値として音声品質出力機能１６へ送信する。
他の構成は第１の実施の形態と同じである。こうして、本実施の形態においても、第１の実施の形態と同様の効果を得ることができる。

［第３の実施の形態］
以下、本発明の第３の実施の形態について図面を用いて説明する。図６は、本発明の第３の実施の形態に係る雑音抑圧音声品質推定装置の構成例を示すブロック図であり、図１と同一の構成には同一の符号を付してある。
図６に示すように、雑音抑圧音声品質推定装置１７は、音声データベース部２、音声録音部５、マイク６、音声区間検出部７、遅延補正部８−１，８−２−１，８−２−２、スイッチ制御部９、音声連結部１０（１０−１〜１０−４）、音声歪み測定部１１、雑音歪み測定部１２、音量測定部１３、雑音量測定部１４、音声品質推定部１５、音声品質出力部１６、音声加算部１８、スイッチ２０〜２２を備えている。

本実施の形態では、通話環境下においてマイク６が収音して音声録音部５が取得する実環境雑音を雑音信号Ｂとする。音声録音部５は、雑音信号Ｂを音声加算部１８と遅延補正部８−２−２に入力する。
音声加算部１８は、音声データベース部２から取得した音声信号Ａと雑音信号Ｂとを入力とし、音声信号Ａと雑音信号Ｂとを加算して雑音重畳音声信号を生成する。この雑音重畳音声信号を評価対象装置１００に入力することで、評価対象装置１００から出力される雑音抑圧処理された音声信号をＣとする。

遅延補正部８−１は、第１の実施の形態と同様に、音声信号Ａと雑音抑圧音声信号Ｃとを入力とし、雑音抑圧音声信号Ｃの音声信号Ａに対する遅延時間を測定する。遅延補正部８−２−１は、音声信号Ａに遅延補正部８−１で測定された遅延時間分だけ遅延を与えることにより、雑音抑圧音声信号Ｃと時刻が同期した音声信号Ａ’を出力する。遅延補正部８−２−２は、雑音信号Ｂに遅延補正部８−１で測定された遅延時間分だけ遅延を与えることにより、雑音抑圧音声信号Ｃと時刻が同期した雑音信号Ｂ’を出力する。
音声区間検出部７は、第１の実施の形態と同様に、音声信号Ａ’を短区間に分けて、各区間の種別情報をスイッチ制御部９に送信する。

スイッチ制御部９と音声連結部１０は、第１の実施の形態と同様の処理を行う。ただし、スイッチ２２を介して音声連結部１０−２に入力される信号は、雑音重畳音声信号ではなく雑音信号Ｂ’である。これにより、音声連結部１０−２には音声信号Ａ’の全ての無音声短区間に対応した雑音信号Ｂ’の短区間を連結した雑音信号ｂが記憶される。それ以外は実施形態１と同様に、音声連結部１０−１には音声信号Ａ’の全ての音声短区間を連結した音声信号ａが記憶され、音声連結部１０−３には音声信号Ａ’の全ての音声短区間に対応した雑音抑圧音声信号Ｃの短区間を連結した音声信号ｃ１が記憶され、音声連結部１０−４には音声信号Ａ’の全ての無音声短区間に対応した雑音抑圧音声信号Ｃの短区間を連結した雑音信号ｃ２が記憶される。

音声歪み測定部１１、雑音歪み測定部１２、音量測定部１３、雑音量測定部１４、音声品質推定部１５及び音声品質出力部１６は、第１の実施の形態と同様の処理を行う。
以上の構成により、本実施の形態では、第１の実施の形態と同様の効果を得ることができる。

［第４の実施の形態］
以下、本発明の第４の実施の形態について図面を用いて説明する。図７は、本発明の第４の実施の形態に係る雑音抑圧音声品質推定装置の構成例を示すブロック図であり、図１と同一の構成には同一の符号を付してある。
本実施の形態の雑音抑圧音声品質推定装置１９は、第３の実施の形態の雑音抑圧音声品質推定装置１７における音声録音部５とマイク６の代わりに、雑音データベース部２３を用いたものである。

本実施の形態では、雑音データベース部２３に予め登録されている雑音信号をＢとする。この雑音信号Ｂが音声加算部１８と遅延補正部８−２−２に入力される。以降の動作は第３の実施の形態と同じである。
以上の構成により、本実施の形態では、第１の実施の形態と同様の効果を得ることができる。さらに、本実施の形態では、雑音信号Ｂとして雑音データベース部２３に予め登録されている信号を用いるため、様々な雑音環境下における雑音抑圧音声のユーザ体感に即した品質推定を正確かつ容易に行うことが可能となる。

なお、第３、第４の実施の形態を第２の実施の形態に適用してもよいことは言うまでもない。
また、第１〜第４の実施の形態の雑音抑圧音声品質推定装置は、ＣＰＵ、記憶装置および外部とのインタフェースを備えたコンピュータとこれらのハードウェア資源を制御するプログラムによって実現することができる。このようなコンピュータにおいて、本発明の雑音抑圧音声品質推定方法を実現させるための雑音抑圧音声品質推定プログラムは、フレキシブルディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、メモリカードなどの記録媒体に記録された状態で提供される。ＣＰＵは、記録媒体から読み込んだプログラムを記憶装置に書き込み、プログラムに従って第１〜第４の実施の形態で説明した処理を実行する。

本発明は、音声品質の評価技術に適用することができる。

本発明の第１の実施の形態に係る雑音抑圧音声品質推定装置の構成例を示すブロック図である。 本発明の第１の実施の形態において音声信号の短区間が音声区間と判別されたときのスイッチ制御を示す図である。 本発明の第１の実施の形態において音声信号の短区間が無音声区間と判別されたときのスイッチ制御を示す図である。 本発明の第１の実施の形態における音声信号、雑音重畳音声信号および雑音抑圧音声信号と、これらの信号を短区間に区切って連結した後の音声信号および雑音信号との関係を示す波形図である。 本発明の第２の実施の形態に係る雑音抑圧音声品質推定装置の構成例を示すブロック図である。 本発明の第３の実施の形態に係る雑音抑圧音声品質推定装置の構成例を示すブロック図である。 本発明の第４の実施の形態に係る雑音抑圧音声品質推定装置の構成例を示すブロック図である。 ＰＥＳＱを用いた無雑音音声信号の品質評価系の構成例を示すブロック図である。 ＰＥＳＱを用いた雑音重畳音声信号の品質評価系の構成例を示すブロック図である。

符号の説明

１，１７，１９…雑音抑圧音声品質推定装置、２…音声データベース部、３…音声再生部、４…スピーカ、５…音声録音部、６…マイク、７…音声区間検出部、８−１，８−２−１，８−２−２…遅延補正部、９…スイッチ制御部、１０…音声連結部、１１…音声歪み測定部、１２…雑音歪み測定部、１３…音量測定部、１４…雑音量測定部、１５…音声品質推定部、１６…音声品質出力部、１８…音声加算部、２０，２１，２２…スイッチ、２３…雑音データベース部。

Claims (6)

1. 雑音抑圧音声の品質を客観的に推定する雑音抑圧音声品質推定装置であって、
   評価対象となる雑音抑圧処理装置への入力として雑音重畳音声信号を与えたときに、前記雑音抑圧処理装置から出力される雑音抑圧音声信号の品質要因の特徴量を検出する検出手段と、
   この検出手段により検出された特徴量に基づいて前記雑音抑圧音声信号の品質を推定する推定手段とを備え、
   前記検出手段は、
   前記雑音抑圧音声信号を一定時間で区切ったときの各区間が音声区間か無音声区間かを判別する判別手段と、
   音声区間における前記雑音抑圧音声信号の品質要因の特徴量を検出する音声区間特徴量検出手段と、
   無音声区間における前記雑音抑圧音声信号の品質要因の特徴量を検出する無音声区間特徴量検出手段とを備え、
   前記音声区間特徴量検出手段は、
   雑音が重畳される前の音声信号とこれに対応する前記音声区間における雑音抑圧音声信号とを比較することにより、前記雑音抑圧音声信号の品質要因の特徴量として音声歪みを検出する音声歪み測定部と、
   前記雑音抑圧音声信号の品質要因の特徴量として前記音声区間における雑音抑圧音声信号の音量を検出する音量測定部とを有し、
   前記無音声区間特徴量検出手段は、
   前記無音声区間における雑音抑圧音声信号とこれに対応する前記雑音重畳音声信号又はこの雑音重畳音声信号の元となる雑音信号とを比較することにより、前記雑音抑圧音声信号の品質要因の特徴量として雑音歪みを検出する雑音歪み測定部と、
   前記雑音抑圧音声信号の品質要因の特徴量として前記無音声区間における雑音抑圧音声信号の雑音量を検出する雑音量測定部とを有し、
   前記雑音歪みは、前記無音声区間における雑音抑圧音声信号を劣化音声信号、これに対応する前記雑音重畳音声信号又はこの雑音重畳音声信号の元となる雑音信号を参照信号としたときのＰＥＳＱ値もしくはＷｉｄｅｂａｎｄ−ＰＥＳＱ値であり、
   前記推定手段は、前記音声歪みと前記雑音抑圧音声信号の音量と前記雑音歪みと前記雑音抑圧音声信号の雑音量とに基づいて前記雑音抑圧音声信号の品質を推定することを特徴とする雑音抑圧音声品質推定装置。
2. 請求項１記載の雑音抑圧音声品質推定装置において、
   さらに、音声信号が予め登録された音声データベースと、
   この音声データベースの音声信号を実通話環境下で再生する音声再生手段と、
   前記再生された音声を集音したときに得られる信号を前記雑音重畳音声信号として出力する音声録音手段とを備えることを特徴とする雑音抑圧音声品質推定装置。
3. 請求項１記載の雑音抑圧音声品質推定装置において、
   さらに、音声信号が予め登録された音声データベースと、
   実通話環境下で雑音信号を集音する音声録音手段と、
   前記音声データベースの音声信号と前記音声録音手段が集音した雑音信号とを加算した信号を前記雑音重畳音声信号として出力する音声加算手段とを備えることを特徴とする雑音抑圧音声品質推定装置。
4. 請求項１記載の雑音抑圧音声品質推定装置において、
   さらに、音声信号が予め登録された音声データベースと、
   雑音信号が予め登録された雑音データベースと、
   前記音声データベースの音声信号と前記雑音データベースの雑音信号とを加算した信号を前記雑音重畳音声信号として出力する音声加算手段とを備えることを特徴とする雑音抑圧音声品質推定装置。
5. 雑音抑圧音声の品質を客観的に推定する雑音抑圧音声品質推定方法であって、
   評価対象となる雑音抑圧処理装置への入力として雑音重畳音声信号を与えたときに、前記雑音抑圧処理装置から出力される雑音抑圧音声信号の品質要因の特徴量を検出する検出手順と、
   この検出手順により検出された特徴量に基づいて前記雑音抑圧音声信号の品質を推定する推定手順とを備え、
   前記検出手順は、
   前記雑音抑圧音声信号を一定時間で区切ったときの各区間が音声区間か無音声区間かを判別する判別手順と、
   音声区間における前記雑音抑圧音声信号の品質要因の特徴量を検出する音声区間特徴量検出手順と、
   無音声区間における前記雑音抑圧音声信号の品質要因の特徴量を検出する無音声区間特徴量検出手順とからなり、
   前記音声区間特徴量検出手順は、
   雑音が重畳される前の音声信号とこれに対応する前記音声区間における雑音抑圧音声信号とを比較することにより、前記雑音抑圧音声信号の品質要因の特徴量として音声歪みを検出する音声歪み測定手順と、
   前記雑音抑圧音声信号の品質要因の特徴量として前記音声区間における雑音抑圧音声信号の音量を検出する音量測定手順とからなり、
   前記無音声区間特徴量検出手順は、
   前記無音声区間における雑音抑圧音声信号とこれに対応する前記雑音重畳音声信号又はこの雑音重畳音声信号の元となる雑音信号とを比較することにより、前記雑音抑圧音声信号の品質要因の特徴量として雑音歪みを検出する雑音歪み測定手順と、
   前記雑音抑圧音声信号の品質要因の特徴量として前記無音声区間における雑音抑圧音声信号の雑音量を検出する雑音量測定手順とからなり、
   前記雑音歪みは、前記無音声区間における雑音抑圧音声信号を劣化音声信号、これに対応する前記雑音重畳音声信号又はこの雑音重畳音声信号の元となる雑音信号を参照信号としたときのＰＥＳＱ値もしくはＷｉｄｅｂａｎｄ−ＰＥＳＱ値であり、
   前記推定手順は、前記音声歪みと前記雑音抑圧音声信号の音量と前記雑音歪みと前記雑音抑圧音声信号の雑音量とに基づいて前記雑音抑圧音声信号の品質を推定することを特徴とする雑音抑圧音声品質推定方法。
6. 雑音抑圧音声の品質を客観的に推定する雑音抑圧音声品質推定装置としてコンピュータを動作させる雑音抑圧音声品質推定プログラムであって、
   評価対象となる雑音抑圧処理装置への入力として雑音重畳音声信号を与えたときに、前記雑音抑圧処理装置から出力される雑音抑圧音声信号の品質要因の特徴量を検出する検出手順と、
   この検出手順により検出された特徴量に基づいて前記雑音抑圧音声信号の品質を推定する推定手順とを前記コンピュータに実行させ、
   前記検出手順は、
   前記雑音抑圧音声信号を一定時間で区切ったときの各区間が音声区間か無音声区間かを判別する判別手順と、
   音声区間における前記雑音抑圧音声信号の品質要因の特徴量を検出する音声区間特徴量検出手順と、
   無音声区間における前記雑音抑圧音声信号の品質要因の特徴量を検出する無音声区間特徴量検出手順とからなり、
   前記音声区間特徴量検出手順は、
   雑音が重畳される前の音声信号とこれに対応する前記音声区間における雑音抑圧音声信号とを比較することにより、前記雑音抑圧音声信号の品質要因の特徴量として音声歪みを検出する音声歪み測定手順と、
   前記雑音抑圧音声信号の品質要因の特徴量として前記音声区間における雑音抑圧音声信号の音量を検出する音量測定手順とからなり、
   前記無音声区間特徴量検出手順は、
   前記無音声区間における雑音抑圧音声信号とこれに対応する前記雑音重畳音声信号又はこの雑音重畳音声信号の元となる雑音信号とを比較することにより、前記雑音抑圧音声信号の品質要因の特徴量として雑音歪みを検出する雑音歪み測定手順と、
   前記雑音抑圧音声信号の品質要因の特徴量として前記無音声区間における雑音抑圧音声信号の雑音量を検出する雑音量測定手順とからなり、
   前記雑音歪みは、前記無音声区間における雑音抑圧音声信号を劣化音声信号、これに対応する前記雑音重畳音声信号又はこの雑音重畳音声信号の元となる雑音信号を参照信号としたときのＰＥＳＱ値もしくはＷｉｄｅｂａｎｄ−ＰＥＳＱ値であり、
   前記推定手順は、前記音声歪みと前記雑音抑圧音声信号の音量と前記雑音歪みと前記雑音抑圧音声信号の雑音量とに基づいて前記雑音抑圧音声信号の品質を推定することを特徴とする雑音抑圧音声品質推定プログラム。

Images