JP6003510B2 - 音声解析装置、音声解析システムおよびプログラム - Google Patents

Description

本発明は、音声解析装置、音声解析システム、プログラムに関する。

特許文献１には、音による複数物***置検出装置が、所定間隔に配置された二つのマイクとプリアンプにより得られた２チャンネルの音響信号による位相差スペクトルを求める音響計測装置と、音響計測装置で求めた位相差スペクトルから推定可能な全ての音源方向の計算を行い、音源推定方向の周波数特性を求め、その求めた音源推定方向の周波数特性から周波数軸に平行な直線成分を抽出する演算処理装置とからなるものが開示されている。

特開２００３−３３７１６４号公報

ここで音声取得手段を装着する装着者が対峙する他者との距離を、より正確に把握することが望まれている。

請求項１に記載の発明は、音声を取得し装着者の発話音声と装着者以外の他者の発話音声とを識別するための音声取得手段により取得された音声の、当該音声に関する情報を取得する音声情報取得部と、複数の前記音声取得手段により取得された前記音声について周波数と位相差との関係を求める位相差導出部と、前記位相差導出部により導出された前記位相差のばらつきの程度である散布度を導出する散布度導出部と、前記音声が他者の発話音声であると識別された場合に前記散布度導出部により導出された散布度である第１の散布度と、前記音声が前記装着者の発話音声であると識別された場合に当該散布度導出部により導出された散布度である第２の散布度と、を使用して、前記装着者と他者との間の距離を導出する距離導出部と、を備えたことを特徴とする音声解析装置である。

請求項２に記載の発明は、前記距離導出部は、前記第１の散布度を前記第２の散布度を使用して補正し、補正後の当該第１の散布度を使用して前記装着者と他者との間の距離を導出することを特徴とする請求項１に記載の音声解析装置である。
請求項３に記載の発明は、前記距離導出部は、上下方向に予め定められた距離にて離れて配置された前記音声取得手段により取得された音声に関する情報を基に前記装着者と他者との間の距離を導出することを特徴とする請求項１または２に記載の音声解析装置である。
請求項４に記載の発明は、左右方向に予め定められた距離にて離れて配置された前記音声取得手段により取得された音声に関する情報を基に当該音声取得手段に対する他者の方向を表す角度を導出する角度導出部をさらに備えることを特徴とする請求項３に記載の音声解析装置である。

請求項５に記載の発明は、音声を取得する複数の音声取得手段と、前記音声取得手段が取得した音声が、装着者の発話音声であるか装着者以外の他者の発話音声であるかを識別する自他識別部と、複数の前記音声取得手段により取得された前記音声について周波数と位相差との関係を求める位相差導出部と、前記位相差導出部により導出された前記位相差のばらつきの程度である散布度を導出する散布度導出部と、前記音声が他者の発話音声であると識別された場合に前記散布度導出部により導出された散布度である第１の散布度と、前記音声が前記装着者の発話音声であると識別された場合に当該散布度導出部により導出された散布度である第２の散布度と、を使用して、前記装着者と他者との間の距離を導出する距離導出部と、を備えたことを特徴とする音声解析システムである。

請求項６に記載の発明は、コンピュータに、音声を取得し装着者の発話音声と装着者以外の他者の発話音声とを識別するための音声取得手段により取得された音声の、当該音声に関する情報を取得する機能と、複数の前記音声取得手段により取得された前記音声について周波数と位相差との関係を求める機能と、導出された前記位相差のばらつきの程度である散布度を導出する機能と、前記音声が他者の発話音声であると識別された場合に導出された散布度である第１の散布度と、前記音声が前記装着者の発話音声であると識別された場合に導出された散布度である第２の散布度と、を使用して、前記装着者と他者との間の距離を導出する機能と、を実現させるプログラムである。

請求項１の発明によれば、本構成を採用しない場合に比較して、音声取得手段を装着する装着者が対峙する他者との距離を、より正確に把握することができる音声解析装置を提供できる。
請求項２の発明によれば、本構成を採用しない場合に比較して、装着者と他者との距離を導出するのに使用する第２の散布度が、装着者や他者が置かれる環境により依存することなく求めることができる。
請求項３の発明によれば、本構成を採用しない場合に比較して、より簡易な方法で、装着者と他者との距離を導出することができる。
請求項４の発明によれば、本構成を採用しない場合に比較して、装着者と他者との距離の精度をより向上させることができる。
請求項５の発明によれば、本構成を採用しない場合に比較して、音声取得手段を装着する装着者が対峙する他者との距離を、より正確に把握することができる音声解析システムを提供できる。
請求項６の発明によれば、本構成を採用しない場合に比較して、音声取得手段を装着する装着者が対峙する他者との距離を、より正確に把握することができる機能をコンピュータにより実現できる。

第１の実施の形態における音声解析システムの構成例を示す図である。 第１の実施の形態における端末装置の構成例を示す図である。 音声解析部について説明した図である。 装着者および他者の口（発声部位）と、マイクロフォンとの位置の関係を示す図である。 マイクロフォンと音源との間の距離と音圧（入力音量）との関係を示す図である。 装着者自身の発話音声と他者の発話音声の識別方法を示す図である。 位相差スペクトルについて説明した図である。 他者の口（発声部位）と装着者が装着する端末装置のマイクロフォンとの位置関係を説明した図である。 （ａ）〜（ｃ）は、周波数に対する位相差のばらつきが、距離の変化によりどのように変化するかを説明した図である。 （ａ）は、距離と位相差の散布度との関係を説明した図である。（ｂ）は、角度と標準偏差の間の関係を距離別に表わした図である。 本実施形態における端末装置の動作を示すフローチャートである。 第２の実施の形態における音声解析システムの構成例を示す図である。 第２の実施の形態における端末装置の構成例を示す図である。 （ａ）〜（ｂ）は、第２マイクロフォンおよび第３マイクロフォンを使用した場合の角度、装着者と他者との間の距離、標準偏差の間の関係を説明した図である。 （ａ）〜（ｂ）は、第１マイクロフォンおよび第２マイクロフォンを使用した場合の角度、装着者と他者との間の距離、標準偏差の間の関係を説明した図である。

［第１の実施の形態］
まず、第１の実施の形態の詳細な構成及び動作について説明する。
＜システム構成例＞
図１は、第１の実施の形態における音声解析システムの構成例を示す図である。
図１に示すように、本実施形態の音声解析システム１は、音声解析装置の一例である端末装置１０と、ホスト装置２０とを備えて構成される。端末装置１０とホスト装置２０とは、無線通信回線を介して接続されている。無線通信回線の種類としては、Ｗｉ−Ｆｉ（Wireless Fidelity）、Bluetooth（登録商標）、ZigBee、ＵＷＢ（Ultra Wideband）等の既存の方式による回線を用いて良い。また、図示の例では、端末装置１０が１台のみ記載されているが、詳しくは後述するように、端末装置１０は、使用者各人が装着して使用するものであり、実際には使用者数分の端末装置１０が用意される。以下、端末装置１０を装着した使用者を装着者と呼ぶ。

端末装置１０は、音声を取得し装着者の発話音声と装着者以外の他者の発話音声とを識別するための音声取得手段としての複数のマイクロフォン（第１マイクロフォン１１および第２マイクロフォン１２）と、増幅器（第１増幅器１３および第２増幅器１４）とを備える。また、端末装置１０は、取得した音声を解析する音声解析部１５と、解析結果をホスト装置２０に送信するためのデータ送信部１６とを備え、さらに電源部１７とを備える。

第１マイクロフォン１１と第２マイクロフォン１２は、装着者の口（発声部位）からの距離が異なる位置に配される。ここでは、第１マイクロフォン１１は装着者の口（発声部位）から遠い位置（例えば、３５ｃｍ程度）に配置され、第２マイクロフォン１２は装着者の口（発声部位）に近い位置（例えば、１０ｃｍ程度）に配置されるものとする。本実施形態の第１マイクロフォン１１および第２マイクロフォン１２として用いられるマイクロフォンの種類としては、ダイナミック型、コンデンサ型等、既存の種々のものを用いて良い。とくに無指向性のＭＥＭＳ（Micro Electro Mechanical Systems）型マイクロフォンが好ましい。

第１増幅器１３および第２増幅器１４は、それぞれ第１マイクロフォン１１および第２マイクロフォン１２が取得した音声に応じて出力する電気信号（音声信号）を増幅する。本実施形態の第１増幅器１３および第２増幅器１４として用いられる増幅器としては、既存のオペアンプ等を用いて良い。

音声解析部１５は、第１増幅器１３および第２増幅器１４から出力された音声信号を解析する。そして、第１マイクロフォン１１および第２マイクロフォン１２で取得した音声を解析し、端末装置１０を装着した装着者自身が発話した音声か、他者の発話による音声かを識別する。また音声解析部１５は、装着者に対する他者の位置を求める。音声識別や他者の位置を求めるための具体的な処理の内容については後述する。

データ送信部１６は、音声解析部１５による解析結果を含む取得データと端末ＩＤを、上記の無線通信回線を介してホスト装置２０へ送信する。ホスト装置２０へ送信する情報としては、ホスト装置２０において行われる処理の内容に応じて、上記の解析結果の他、例えば、第１マイクロフォン１１および第２マイクロフォン１２による音声の取得時刻、取得音声の音圧等の情報を含めて良い。また端末装置１０に音声解析部１５による解析結果を蓄積するデータ蓄積部を設け、一定期間の保存データを一括送信しても良い。なお有線回線で送信しても良い。

電源部１７は、上記の第１マイクロフォン１１、第２マイクロフォン１２、第１増幅器１３、第２増幅器１４、音声解析部１５およびデータ送信部１６に電力を供給する。電源としては、例えば乾電池や充電池等の既存の電源が用いられる。また、電源部１７は、必要に応じて、電圧変換回路および充電制御回路等の周知の回路を含む。

ホスト装置２０は、端末装置１０から送信されたデータを受信するデータ受信部２１と、受信したデータを蓄積するデータ蓄積部２２と、蓄積したデータを解析するデータ解析部２３と、解析結果を出力する出力部２４とを備える。このホスト装置２０は、例えばパーソナルコンピュータ等の情報処理装置により実現される。また、上記のように本実施形態では複数台の端末装置１０が使用され、ホスト装置２０は、その複数台の端末装置１０の各々からデータを受信する。

データ受信部２１は、上記の無線回線に対応しており、各端末装置１０からデータを受信してデータ蓄積部２２へ送る。データ蓄積部２２は、例えばパーソナルコンピュータの磁気ディスク装置等の記憶装置により実現され、データ受信部２１から取得した受信データを発話者別に蓄積する。ここで、発話者の識別は、端末装置１０から送信される端末ＩＤと、あらかじめホスト装置２０に登録されている発話者名と端末ＩＤの照合により行う。また、端末装置１０から端末ＩＤのかわりに装着者状態を送信するようにしてもよい。

データ解析部２３は、例えばパーソナルコンピュータのプログラム制御されたＣＰＵにより実現され、データ蓄積部２２に蓄積されたデータを解析する。具体的な解析内容および解析手法は、本実施形態のシステムの利用目的や利用態様に応じて種々の内容および手法を取り得る。例えば、端末装置１０の装着者どうしの対話頻度や各装着者の対話相手の傾向を分析したり、対話における個々の発話の長さや音圧の情報から対話者の関係を類推したりすることが行われる。

出力部２４は、データ解析部２３による解析結果を出力したり、解析結果に基づく出力を行ったりする。この解析結果等を出力する手段は、システムの利用目的や利用態様、解析結果の内容や形式等に応じて、ディスプレイ表示、プリンタによる印刷出力、音声出力等、種々の手段を取り得る。

＜端末装置の構成例＞
図２は、第１の実施の形態における端末装置１０の構成例を示す図である。
上記のように、端末装置１０は、各使用者に装着されて使用される。使用者が装着可能とするため、本実施形態の端末装置１０は、図２に示すように、装置本体３０と、装置本体３０に接続された提げ紐４０とを備えた構成とする。図示の構成において、使用者は、提げ紐４０に首を通し、装置本体３０を首から提げて装着する。

装置本体３０は、金属や樹脂等で形成された薄い直方体のケース３１に、少なくとも第１増幅器１３、第２増幅器１４、音声解析部１５、データ送信部１６および電源部１７を実現する回路と電源部１７の電源（電池）とを収納して構成される。ケース３１には、装着者の氏名や所属等のＩＤ情報を表示したＩＤカード等を挿入するポケットを設けても良い。また、ケース３１自体の表面にそのようなＩＤ情報等を印刷したり、ＩＤ情報等を記載したシールを貼り付けたりしても良い。

提げ紐４０には、第１マイクロフォン１１および第２マイクロフォン１２が設けられる（以下、第１マイクロフォン１１と第２マイクロフォン１２とを区別しない場合には、マイクロフォン１１、１２と記載）。マイクロフォン１１、１２は、提げ紐４０の内部を通るケーブル（電線等）により、装置本体３０に収納された第１増幅器１３、第２増幅器１４に接続される。提げ紐４０の材質としては、革、合成皮革、木綿その他の天然繊維や樹脂等による合成繊維、金属等、既存の種々の材質を用いて良い。また、シリコン樹脂やフッ素樹脂等を用いたコーティング処理が施されていても良い。

この提げ紐４０は、筒状の構造を有し、提げ紐４０の内部にマイクロフォン１１、１２を収納している。マイクロフォン１１、１２を挙げ紐４０の内部に設けることにより、マイクロフォン１１、１２の損傷や汚れを防ぎ、対話者がマイクロフォン１１、１２の存在を意識することが抑制される。なお、装着者の口（発声部位）から遠い位置に配置される第１マイクロフォン１１は、装置本体３０に設けても良い。本実施形態では、第１マイクロフォン１１が提げ紐４０に設けられる場合を例として説明する。

図２を参照すると、第１マイクロフォン１１は、提げ紐４０の装置本体３０に接続される端部（例えば、接続部位から１０ｃｍ以内の位置）に設けられている。これにより、装着者が提げ紐４０を首に掛けて装置本体３０を下げた状態で、第１マイクロフォン１１は、装着者の口（発声部位）から約３０ｃｍから４０ｃｍ程度離れた位置に配置される。なお、第１マイクロフォン１１が装置本体３０に設けられた場合も、装着者の口（発声部位）から第１マイクロフォン１１までの距離は同程度である。

第２マイクロフォン１２は、提げ紐４０の装置本体３０に接続される端部から離れた位置（例えば、接続部位から２０ｃｍ〜３０ｃｍ程度の位置）に設けられている。これにより、装着者が提げ紐４０を首に掛けて装置本体３０を下げた状態で、第２マイクロフォン１２は、装着者の首元（例えば鎖骨に当たる位置）に位置し、装着者の口（発声部位）から約１０ｃｍから２０ｃｍ程度離れた位置に配置される。

なお、本実施形態の端末装置１０は、図２に示す構成に限定されるものではない。例えば、マイクロフォン１１、１２は、第１マイクロフォン１１から装着者の口（発声部位）までの音波到達経路の距離が第２マイクロフォン１２から装着者の口（発声部位）までの音波到達経路の距離の数倍程度となるように、第１マイクロフォン１１と第２マイクロフォン１２の位置関係が特定されれば良い。したがって、第１マイクロフォンを首の後ろ側の提げ紐４０に設けても良い。また、マイクロフォン１１、１２は、上記のように提げ紐４０に設ける構成に限らず、種々の方法で装着者に装着して良い。例えば、第１マイクロフォン１１と第２マイクロフォン１２の各々を、個別にピン等を用いて衣服に固定するように構成しても良い。また、第１マイクロフォン１１と第２マイクロフォン１２の位置関係が所望の位置で固定されるようにデザインされた専用の装着具を用意して装着しても良い。

また、装置本体３０は、図２に示したように、提げ紐４０に接続されて装着者の首から提げられる構成に限らず、携帯することが容易な装置として構成されていれば良い。例えば、本実施形態のような提げ紐ではなく、クリップやベルトにより衣服や体に装着するように構成しても良いし、単にポケット等に納めて携帯するような構成としても良い。また、携帯電話その他の既存の携帯型電子情報端末に、マイクロフォン１１、１２からの音声信号を受け付けて増幅し、解析する機能を実現させても良い。

さらにまた、マイクロフォン１１、１２と装置本体３０（あるいは音声解析部１５）を有線で接続するのではなく、無線通信により接続しても良い。第１増幅器１３、第２増幅器１４、音声解析部１５、データ送信部１６および電源部１７は、上記の構成例では単一のケース３１に収納されることとしたが、複数の個体として構成しても良い。例えば、電源部１７をケース３１に収納せず、外部電源に接続して使用する構成としても良い。

＜音声解析部１５の詳細な説明＞
次に、音声解析部１５についてさらに詳しく説明を行なう。
図３は、音声解析部１５について説明した図である。
図示するように本実施の形態の音声解析部１５は、音声情報取得部１５１と、自他識別部１５２と、位相差導出部１５３と、角度導出部１５４と、散布度導出部１５５と、距離導出部１５６と、位置決定部１５７とを備える。

音声情報取得部１５１は、マイクロフォン１１、１２により取得された音声についてこの音声に関する情報を取得する。本実施の形態では、マイクロフォン１１、１２により取得され、第１増幅器１３および第２増幅器１４（図１参照）により増幅された音声信号を取得する。

＜取得音声の非言語情報に基づく発話者（自他）の識別＞
自他識別部１５２は、マイクロフォン１１、１２が取得した音声が、装着者の発話音声であるか装着者以外の他者の発話音声であるかを識別する。
自他識別部１５２が行なう発話者の識別方法について以下に説明する。
本実施形態のシステムは、端末装置１０に設けられた２つのマイクロフォン１１、１２により取得された音声の情報を用いて、端末装置１０の装着者自身の発話音声（自己の発話音声）と他者の発話音声とを識別する。言い換えれば、本実施形態は、取得音声の発話者に関して自他の別を識別する。また、本実施形態では、取得音声の情報のうち、形態素解析や辞書情報を用いて得られる言語情報ではなく、音圧（マイクロフォン１１、１２への入力音量）等の非言語情報に基づいて発話者を識別する。言い換えれば、言語情報により特定される発話内容ではなく、非言語情報により特定される発話状況から音声の発話者を識別する。

図１および図２を参照して説明したように、本実施形態において、端末装置１０の第１マイクロフォン１１は装着者の口（発声部位）から遠い位置に配置され、第２マイクロフォン１２は装着者の口（発声部位）に近い位置に配置される。すなわち、装着者の口（発声部位）を音源とすると、第１マイクロフォン１１と音源との間の距離と、第２マイクロフォン１２と音源との間の距離が大きく異なる。具体的には、第１マイクロフォン１１と音源との間の距離は、第２マイクロフォン１２と音源との間の距離の１．５〜４倍程度である。ここで、マイクロフォン１１、１２における取得音声の音圧は、マイクロフォン１１、１２と音源との間の距離が大きくなるにしたがって減衰（距離減衰）する。したがって、装着者の発話音声に関して、第１マイクロフォン１１における取得音声の音圧と第２マイクロフォン１２における取得音声の音圧とは大きく異なる。

一方、装着者以外の者（他者）の口（発声部位）を音源とした場合を考えると、その他者が装着者から離れているため、第１マイクロフォン１１と音源との間の距離と、第２マイクロフォン１２と音源との間の距離は、大きく変わらない。装着者に対する他者の位置によっては、両距離の差は生じ得るが、装着者の口（発声部位）を音源とした場合のように、第１マイクロフォン１１と音源との間の距離が第２マイクロフォン１２と音源との間の距離の数倍となることはない。したがって、他者の発話音声に関して、第１マイクロフォン１１における取得音声の音圧と第２マイクロフォン１２における取得音声の音圧とは、装着者の発話音声の場合のように大きく異なることはない。

図４は、装着者および他者の口（発声部位）と、マイクロフォン１１、１２との位置の関係を示す図である。
図４に示す関係において、装着者の口（発声部位）である音源ａと第１マイクロフォン１１との間の距離をＬａ１、音源ａと第２マイクロフォン１２との間の距離をＬａ２とする。また、他者の口（発声部位）である音源ｂと第１マイクロフォン１１との間の距離をＬｂ１、音源ｂと第２マイクロフォン１２との間の距離をＬｂ２とする。この場合、次の関係が成り立つ。
Ｌａ１＞Ｌａ２（Ｌａ１≒１．５×Ｌａ２〜４×Ｌａ２）
Ｌｂ１≒Ｌｂ２

図５は、マイクロフォン１１、１２と音源との間の距離と音圧（入力音量）との関係を示す図である。
上述したように、音圧は、マイクロフォン１１、１２と音源との間の距離に応じて距離減衰する。図５において、距離Ｌａ１の場合の音圧Ｇａ１と距離Ｌａ２の場合の音圧Ｇａ２とを比較すると、音圧Ｇａ２は、音圧Ｇａ１の４倍程度となっている。一方、距離Ｌｂ１と距離Ｌｂ２とが近似するため、距離Ｌｂ１の場合の音圧Ｇｂ１と距離Ｌｂ２の場合の音圧Ｇｂ２とは、ほぼ等しい。そこで、本実施形態では、この音圧比の差を用いて、取得音声における装着者自身の発話音声と他者の発話音声とを識別する。なお、図５に示した例では、距離Ｌｂ１、Ｌｂ２を６０ｃｍとしたが、ここでは音圧Ｇｂ１と音圧Ｇｂ２とがほぼ等しくなることに意味があり、距離Ｌｂ１、Ｌｂ２は図示の値に限定されない。

図６は、装着者自身の発話音声と他者の発話音声の識別方法を示す図である。
図５を参照して説明したように、装着者自身の発話音声に関して、第２マイクロフォン１２の音圧Ｇａ２は、第１マイクロフォン１１の音圧Ｇａ１の数倍（例えば４倍程度）である。また、他者の発話音声に関して、第２マイクロフォン１２の音圧Ｇａ２は、第１マイクロフォン１１の音圧Ｇａ１とほぼ等しい（１倍程度）。そこで、本実施形態では、第２マイクロフォン１２の音圧と第１マイクロフォン１１の音圧との比に閾値を設定する。そして、音圧比が閾値よりも大きい音声は装着者自身の発話音声と判断し、音圧比が閾値よりも小さい音声は他者の発話音声と判断する。図６に示す例では、閾値を２とし、音圧比Ｇａ２／Ｇａ１は閾値２を超えるので装着者自身の発話音声と判断され、音圧比Ｇｂ２／Ｇｂ１は閾値２よりも小さいので他者の発話音声と判断されている。

ところで、マイクロフォン１１、１２により取得される音声には、発話音声の他に、環境音等のいわゆる雑音（ノイズ）が含まれる。この雑音の音源とマイクロフォン１１、１２との間の距離の関係は、他者の発話音声の場合と類似する。すなわち、図５、図６に示した例によれば、雑音の音源ｃと第１マイクロフォン１１との間の距離をＬｃ１とし、雑音の音源ｃと第２マイクロフォン１２との間の距離をＬｃ２とすると、距離Ｌｃ１と距離Ｌｃ２とは近似する。そして、マイクロフォン１１、１２の取得音声における音圧比Ｇｃ２／Ｇｃ１は、閾値２よりも小さくなる。しかし、このような雑音は、バンドパスフィルタやゲインフィルタ等を用いた既存の技術によるフィルタリング処理を行うことにより発話音声から分離され、除去される。

＜位相差スペクトルの導出＞
位相差導出部１５３は、複数のマイクロフォン１１、１２により取得された音声について周波数と位相差との関係を求める。本実施の形態では、音声の周波数と位相差との関係として位相差スペクトルを求める。

以下、位相差スペクトルについて説明を行なう。
図７は、位相差スペクトルについて説明した図である。ここで横軸は、音声の周波数を表わし、縦軸は、位相差を表わす。
図７は、マイクロフォン１１およびマイクロフォン１２により取得された音声中に検出される種々の周波数の音波について、マイクロフォン１１とマイクロフォン１２とで、どの程度の位相差が生じていたかをプロットしたものである。
この場合、音速は一定であるため、周波数が変化すると、マイクロフォン１１とマイクロフォン１２との間で生ずる位相差は、周波数に対して概ね一次関数の関係で変化する。ただし、位相差は、−１８０°〜１８０°の間の値を周期的に採るため、図７に示すように周波数が変化すると、周波数と位相差との関係を表わす図中太線で示した直線が、周期的に複数本描かれることになる。そしてこの周波数と位相差との関係を表わす直線は、予め定められた傾きを有する。

本実施の形態では、図７に示したような位相差スペクトルを使用して、装着者間の距離および角度を求める。
図８は、他者の口（発声部位）Ｓと装着者が装着する端末装置１０のマイクロフォン１１、１２との位置関係を説明した図である。
ここでは、例えば、図８に示すようにマイクロフォン１１、１２と他者の口（発声部位）Ｓとの間の距離Ｌおよび角度αを定義する。即ち距離Ｄだけ離れたマイクロフォン１１およびマイクロフォン１２を結ぶ線の中点Ｃと他者の口（発声部位）Ｓを結び、この中点Ｃと他者の口（発声部位）Ｓとを結ぶ線の長さを距離Ｌとする。またこの２つの線がなす角度を角度αとする。この角度αは、マイクロフォン１１、１２に対する他者の方向を表わす。また距離Ｌは、装着者と他者との間の距離を表わす。
この構成において、他者の口（発声部位）Ｓから発せられた発話音声は、点Ｓから同心円状に広がる。ただし音声は有限の速度である音速で広がるため発話音声が第１マイクロフォン１１に到達した時間と第２マイクロフォン１２に到達した時間とは異なる。そのため予め定められた周波数における音波の位相は、第１マイクロフォン１１と第２マイクロフォン１２とで異なり、発話音声の行路差δに対応した位相差が生じる。

＜角度αの導出＞
このとき図７で説明した周波数と位相差との関係を表わす直線の傾きは、角度αに依存する。即ち、周波数と位相差との関係を表わす直線の傾きを調べることで、角度αを求めることができる。

本実施の形態では、角度導出部１５４において、位相差スペクトルから周波数と位相差との関係を表わす直線の傾きを算出する。そして装着者と他者とがなす角度αを導出する。

＜距離Ｌの導出＞
一方、距離Ｌに関しては、以下の方法で求めることができる。
図９（ａ）〜（ｃ）は、周波数に対する位相差のばらつきが、距離Ｌの変化によりどのように変化するかを説明した図である。図中横軸は、音声の周波数を表わし、縦軸は、位相差を表わす。ここで図９（ａ）は、距離Ｌが１ｍの場合である。また図９（ｂ）は、距離Ｌが２ｍの場合である。さらに図９（ｃ）は、距離Ｌが３ｍの場合である。
図９（ａ）〜（ｃ）は、図７の位相差スペクトルにおいてプロットした各点が、一次関数で表わされる実線からどの程度の位相差を有して離れているかを示している。つまり図９（ａ）〜（ｃ）は、図７の位相差スペクトルにおいてプロットした各点のばらつきの程度を示している。そして図９（ａ）〜（ｃ）からわかるように距離Ｌが増加するに従い、位相差のばらつきの程度は、より大きくなる。

これは、壁面や床面などから反射された反射音の影響によるものと考えられる。他者の口（発声部位）から発せられた音声は、直接マイクロフォン１１、１２に到達する場合もあるが、壁面や床面などに１回若しくは複数回反射された後にマイクロフォン１１、１２に到達する場合もある。そのためマイクロフォン１１、１２により取得される他者の音声は、直接マイクロフォン１１、１２に到達する直接音と反射音が合成されたものとなる。このとき装着者と他者との距離が近いと反射音より直接音の割合が多くなるが、装着者と他者との距離が遠くなるに従い反射音の割合が増していくものと考えられる。そしてこの場合、直接音声がマイクロフォン１１、１２に捉えられるときの位相差は、ほぼ一定であるが、反射音がマイクロフォン１１、１２に捉えられるときの位相差は、ばらばらとなる。よって装着者と他者との距離が遠くなるに従い、反射音の割合が増すため、図９（ａ）〜（ｃ）に示したように位相差のばらつきの程度も大きくなることになる。

つまり図９（ａ）〜（ｃ）に示したような位相差のばらつきの程度である散布度を調べることで、距離Ｌを求めることができる。
図１０（ａ）は、距離Ｌと位相差の散布度との関係を説明した図である。ここで横軸は、距離Ｌを表わし、縦軸は、位相差の散布度として標準偏差を表わしている。
図１０（ａ）により距離Ｌと標準偏差とは、相関関係にあることがわかる。よって位相差の散布度として標準偏差を求め、これから距離Ｌを求めることができる。

なお距離Ｌと標準偏差との間の関係は、上述した装着者と他者とがなす角度αにより変動する。
図１０（ｂ）は、角度αと標準偏差の間の関係を距離別に表わした図である。ここで横軸は、角度を示し、縦軸は標準偏差を示す。
図１０（ｂ）では、距離Ｌが１ｍ、２ｍ、３ｍの各場合における角度と標準偏差の関係を示した。ここで角度が９０°の場合は、装着者の正面に他者が存在する場合を示している。そして角度αが９０°の場合に最も標準偏差が小さくなり、９０°より角度αが離れるに従い、標準偏差が大きくなる傾向にある。
よって標準偏差から距離Ｌを求めるに際し、角度αによる影響を考慮し、補正を行なってもよい。

本実施の形態では、散布度導出部１５５において、位相差導出部１５３により導出された位相差のばらつきの程度である散布度を導出する。なお本実施の形態では、位相差の散布度として標準偏差を使用したが、これに限られるものではなく、二乗平均平方根、分散など種々の指標を用いることができる。
また本実施の形態では、距離導出部１５６において、この散布度を使用して、装着者と他者との間の距離Ｌを導出する。
さらに位置決定部１５７において、導出された距離Ｌおよび角度αから、装着者に対する他者の位置を決定する。

しかしながら以上説明した距離Ｌの算出方法では、装着者や他者の置かれる環境が変化した場合、対応できない問題がある。つまり装着者や他者が置かれる部屋等の広さや残響特性により反射音の強さなどが変化する。この場合、上述した位相差の散布度も環境が変化すると変化することになる。そのため距離Ｌをより正確に導出するには、位相差の散布度が環境に応じてどのように変化するかを知る必要がある。そして従来は、図１０（ａ）〜（ｂ）に示したようなデータを環境の変化に応じて用意する必要があり、予め部屋毎にこのようなデータを測定し、データテーブルのような形式で、作成しておく必要があった。

本実施の形態では、図１０（ａ）〜（ｂ）に示したようなデータを環境毎に予め用意する必要がなく、より簡便な手法で装着者と他者との距離Ｌを測定する方法を、以下の手法を採用することにより実現する。

本実施の形態では、まず散布度導出部１５５において、音声が他者の発話音声であると識別された場合の散布度である第１の散布度と、音声が装着者の発話音声であると識別された場合の散布度である第２の散布度を導出する。より具体的には、自他識別部１５２で他者の発話音声であると識別された音声について、散布度導出部１５５において第１の散布度として位相差の標準偏差を求める。さらに自他識別部１５２で装着者の発話音声であると識別された音声について、散布度導出部１５５において第２の散布度として位相差の標準偏差を求める。

このとき第２の散布度として求められた標準偏差は、装着者や他者が置かれる部屋の環境をより反映したものとなる。即ち、第１の散布度として求められた標準偏差は、他者の発話音声によるものであるため、上述の通り、装着者と他者との距離Ｌ、角度α、装着者や他者が置かれる部屋の環境が変化すると変化する。一方、第２の散布度として求められた標準偏差は、装着者の発話音声によるものである。ここで装着者の口とマイクロフォン１１、１２との距離等の位置関係は、図２で説明したように予め定められている。そのため第２の散布度として求められた標準偏差については、距離Ｌ、角度αなどの変化を考慮する必要はなく、装着者や他者が置かれる部屋の環境を反映した値となる。

よって第２の散布度として求められた標準偏差を使用して、第１の散布度として求められた標準偏差の補正を行なう。実際には、第２の散布度として求められた標準偏差の値により定まる補正式を用意し、この補正式を第１の散布度として求められた標準偏差に適用して補正を行なう。そして補正後の標準偏差を使用し、あとは図１０（ａ）〜（ｂ）に示したようなデータを使用して、距離Ｌを求める。
以上のように本実施の形態では、距離導出部１５６は、第１の散布度を第２の散布度を使用して補正し、補正後の第１の散布度を使用して装着者と他者との間の距離Ｌを導出する。これにより図１０（ａ）〜（ｂ）に示したようなデータを環境が異なる毎に用意する必要はなくなり、より簡便な手法で装着者と他者との距離Ｌを測定することができるとともに、距離Ｌをより精度良く求めることができる。

＜端末装置の動作例＞
図１１は、本実施形態における端末装置１０の動作を示すフローチャートである。
図１１に示すように、端末装置１０のマイクロフォン１１、１２が音声を取得すると、各マイクロフォン１１、１２から取得音声に応じた電気信号（音声信号）が第１増幅器１３および第２増幅器１４へ送られる（ステップ１０１）。第１増幅器１３および第２増幅器１４は、マイクロフォン１１、１２からの音声信号を取得すると、音声信号を増幅して音声解析部１５へ送る（ステップ１０２）。

音声解析部１５は、第１増幅器１３および第２増幅器１４で増幅された音声信号を音声情報取得部１５１にて取得する（ステップ１０３）。

次に音声解析部１５の自他識別部１５２は、図５〜図６で説明した方法により、マイクロフォン１１、１２が取得した音声の音圧比から、この音声が装着者の発話音声であるか他者の発話音声であるかを識別する（ステップ１０４）。

次に音声解析部１５の位相差導出部１５３は、図７に示したような位相差スペクトルを求める（ステップ１０５）。

そして取得された音声が、ステップ１０４で装着者の発話音声であると識別されていた場合（ステップ１０６でＹｅｓ）、音声解析部１５の散布度導出部１５５は、位相差導出部１５３により導出された位相差スペクトルにおける位相差のばらつきの程度である標準偏差を導出する（ステップ１０７）。
さらに音声解析部１５の距離導出部１５６は、ステップ１０７で導出された標準偏差を基に補正式を決定する（ステップ１０８）。

一方、取得された音声が、ステップ１０４で他者の発話音声であると識別されていた場合（ステップ１０６でＮｏ）、音声解析部１５の角度導出部１５４は、位相差スペクトルにおいて周波数と位相差との関係を表わす直線の傾きを求め、この傾きから装着者と他者とがなす角度αを導出する（ステップ１０９）。
さらに散布度導出部１５５は、位相差導出部１５３により導出された位相差スペクトルにおける位相差のばらつきの程度である標準偏差を導出する（ステップ１１０）。

次に距離導出部１５６は、ステップ１０８で決定された補正式を使用して、ステップ１１０で導出された標準偏差に対し補正を行なう（ステップ１１１）。なおこのとき図１０（ｂ）で説明したように、角度αによる標準偏差の影響を考慮し、さらに補正を行なってもよい。

そして距離導出部１５６は、補正後の標準偏差を使用して装着者と他者との間の距離Ｌを導出する（ステップ１１２）。

さらに音声解析部１５の位置決定部１５７は、導出された距離Ｌおよび角度αから他者の位置を決定する（ステップ１１３）。

この後、音声解析部１５は、データ送信部１６を介して、ステップ１０４〜ステップ１１３の処理で得られた情報を解析結果としてホスト装置２０へ送信する（ステップ１１４）。この解析結果としては、例えは、発話の有無、装着者の情報（端末ＩＤ）、マイクロフォン１１、１２により取得された音声が装着者の発話音声であるか装着者以外の他者の発話音声であるかを識別した情報である自他識別情報、ステップ１１３で決定した他者の位置等である。またこのとき、発話者毎（装着者自身または他者）の発話時間の長さや平均音圧の利得の値、その他の付加情報を解析結果と共にホスト装置２０へ送信させても良い。

［第２の実施の形態］
次に、第２の実施の形態の詳細な構成及び動作について説明する。
＜システム構成例＞
図１２は、第２の実施の形態における音声解析システムの構成例を示す図である。また図１３は、第２の実施の形態における端末装置１０の構成例を示す図である。
図１２に示した音声解析システム１は、図１に示した音声解析システム１に対し、第３マイクロフォン１８と、第３増幅器１９とをさらに備える点で異なる。

図１３に示すように、第３マイクロフォン１８は、第２マイクロフォン１２と同様に装着者の口（発声部位）に近い位置に配置される。また第１マイクロフォン１１と第２マイクロフォン１２と同様に提げ紐４０の内部に収納される。ただし、第３マイクロフォン１８は、第２マイクロフォン１２に対し、装着者の口（発声部位）を挟み反対側に配置される。つまり第２マイクロフォン１２と第３マイクロフォン１８は、装着者の口（発声部位）に対し対称関係にある。

第３増幅器１９は、第１増幅器１３、第２増幅器１４と同様の機能を有し、第３マイクロフォン１８が取得音声に応じて出力する電気信号（音声信号）を増幅する。

＜角度βの導出＞
本実施の形態の音声解析システム１においては、第２マイクロフォン１２および第３マイクロフォン１８により装着者や他者の発話音声を取得する。そして第１の実施の形態で説明した方法により装着者の方向を表わす角度βをさらに求める。

そして第１マイクロフォン１１および第２マイクロフォンに対する装着者の方向を表わす角度αと、第２マイクロフォン１２および第３マイクロフォン１８に対する装着者の方向を表わす角度βを使用して、他者の位置を求める。これにより他者の位置をより精度良く求めることができる。
また装着者と他者とは、通常大体同じ高さに位置することが多い。そのため装着者に対し他者の位置を求めるのに使用する角度は、上から見た場合の装着者と他者とがなす角度（水平面における角度）を使用する方が好都合である場合が多い。そのため角度αより角度βを使用する方が、より好ましいということも言える。

＜距離の導出＞
なお第２マイクロフォン１２および第３マイクロフォン１８を使用して装着者と他者との間の距離を求めることも可能である。ただし以下の理由により、第１の実施の形態のように第１マイクロフォン１１および第２マイクロフォン１２を使用して装着者と他者との間の距離Ｌを求めることがより好ましい。

図１４（ａ）〜（ｂ）は、第２マイクロフォン１２および第３マイクロフォン１８を使用した場合の角度β、装着者と他者との間の距離、標準偏差の間の関係を説明した図である。また図１５は、（ａ）〜（ｂ）は、第１マイクロフォン１１および第２マイクロフォン１２を使用した場合の角度α、装着者と他者との間の距離、標準偏差の間の関係を説明した図である。なお図１５（ａ）〜（ｂ）は、図１０（ａ）〜（ｂ）の図と同様の趣旨を有する図であるが、双方は測定環境が異なるため、異なる結果となっている。
ここで、図１４（ｂ）と図１５（ｂ）を比較すると、角度による標準偏差の依存性が図１５（ｂ）の方が少ないことがわかる。つまり角度が変化しても距離と標準偏差との間の関係は、あまり変化しない。
そのため第１マイクロフォン１１および第２マイクロフォン１２を使用した場合、角度αによる補正を行なう必要性が低くなる。一方、第２マイクロフォン１２および第３マイクロフォン１８を使用した場合は、角度βによる補正を行なう必要性が高い。そのため角度βにより、補正式を複数用意する必要があり、装着者と他者との間の距離の導出がより複雑になる。

この違いが生ずるのは、装着者や他者が置かれる部屋における反射音の影響によるものと考えられる。つまり第２マイクロフォン１２および第３マイクロフォン１８のように左右に配置されたマイクロフォンを使用した場合は、装着者や他者の左右にある壁に反射する反射音が到達する時間が、角度βが変化すると変化する。そのため壁に反射する反射音の影響により、角度βに対して標準偏差が変化しやすい。一方、第１マイクロフォン１１および第２マイクロフォン１２のように上下に配置されたマイクロフォンを使用した場合は、装着者や他者の左右にある壁に反射する反射音が到達する時間は、角度βの変化にかかわらず、ほぼ同時となる。そのため壁に反射する反射音の影響が受けにくい。なお第１マイクロフォン１１および第２マイクロフォン１２のように上下に配置されたマイクロフォンを使用した場合でも、部屋の天井や床による反射音の影響は、受けうると考えられる。ただし装着者や他者と天井および床との距離は、ほぼ一定である。一方、装着者や他者と部屋の壁との距離は様々な距離となる。そのためこの両者を比較した場合、反射音の影響をより受けやすいのは、マイクロフォンを上下に配置する場合より左右に配置する方である。よって、第１マイクロフォン１１および第２マイクロフォン１２を使用した場合、距離と標準偏差との間の関係の角度依存性は、それほど大きくならないと考えられる。

以上の事項をまとめると、図１３に示した端末装置１０では、上下方向に予め定められた距離にて離れて配置されたマイクロフォン１１、１２により取得された音声に関する情報を基に装着者と他者との距離Ｌを導出することが好ましい。
一方、左右方向に予め定められた距離にて離れて配置されたマイクロフォン１２、１８により取得された音声に関する情報を基に装着者と他者とがなす角度βを導出し、この角度βおよび距離Ｌを用いて装着者に対する他者の位置を求めることが好ましい。また前述した角度αを併用すると、装着者に対する他者の位置を求める際の精度がより向上する。

なお上述した例では、装着者に対する他者の位置を決定する処理を端末装置１０で行なっていたが、これに限られるものではなく、ホスト装置２０の方で行なってもよい。この形態における音声解析システム１としては、図１のものに対し、音声解析部１５で行なっていた各処理のうち音声情報取得部１５１が行なっていた処理は、ホスト装置２０のデータ受信部２１が行なう。また自他識別部１５２、位相差導出部１５３、角度導出部１５４、散布度導出部１５５、距離導出部１５６、位置決定部１５７が行なっていた機能は、例えば、ホスト装置２０のデータ解析部２３で行なう。この場合ホスト装置２０は、本実施の形態の音声解析装置の一例であると捉えることができる。なお音声情報取得部１５１、自他識別部１５２、位相差導出部１５３、角度導出部１５４、散布度導出部１５５、距離導出部１５６、位置決定部１５７を、端末装置１０およびホスト装置２０の一方のみに配置するのではなく、それぞれに振り分けて配置してもよい。

＜プログラムの説明＞
なお図１０で説明を行った本実施形態における端末装置１０やホスト装置２０が行なう処理は、ソフトウェアとハードウェア資源とが協働することにより実現される。即ち、端末装置１０やホスト装置２０に設けられた制御用コンピュータ内部の図示しないＣＰＵが、端末装置１０やホスト装置２０の各機能を実現するプログラムを実行し、これらの各機能を実現させる。

よって以上説明を行った端末装置１０やホスト装置２０が行なう処理は、コンピュータに、音声を取得し装着者の発話音声と装着者以外の他者の発話音声とを識別するためのマイクロフォンにより取得された音声の、音声に関する情報を取得する機能と、複数のマイクロフォンにより取得された音声について周波数と位相差との関係を求める機能と、導出された位相差のばらつきの程度である散布度を導出する機能と、音声が他者の発話音声であると識別された場合に導出された散布度である第１の散布度と、音声が装着者の発話音声であると識別された場合に導出された散布度である第２の散布度と、を使用して、装着者と他者との間の距離を導出する機能と、を実現させるプログラムとして捉えることもできる。

１…音声解析システム、１０…端末装置、１５…音声解析部、２０…ホスト装置、２１…データ受信部、２３…データ解析部、３０…装置本体、１５１…音声情報取得部、１５２…自他識別部、１５３…位相差導出部、１５４…角度導出部、１５５…散布度導出部、１５６…距離導出部

Claims (6)

1. 音声を取得し装着者の発話音声と装着者以外の他者の発話音声とを識別するための音声取得手段により取得された音声の、当該音声に関する情報を取得する音声情報取得部と、
   複数の前記音声取得手段により取得された前記音声について周波数と位相差との関係を求める位相差導出部と、
   前記位相差導出部により導出された前記位相差のばらつきの程度である散布度を導出する散布度導出部と、
   前記音声が他者の発話音声であると識別された場合に前記散布度導出部により導出された散布度である第１の散布度と、前記音声が前記装着者の発話音声であると識別された場合に当該散布度導出部により導出された散布度である第２の散布度と、を使用して、前記装着者と他者との間の距離を導出する距離導出部と、
   を備えたことを特徴とする音声解析装置。
2. 前記距離導出部は、前記第１の散布度を前記第２の散布度を使用して補正し、補正後の当該第１の散布度を使用して前記装着者と他者との間の距離を導出することを特徴とする請求項１に記載の音声解析装置。
3. 前記距離導出部は、上下方向に予め定められた距離にて離れて配置された前記音声取得手段により取得された音声に関する情報を基に前記装着者と他者との間の距離を導出することを特徴とする請求項１または２に記載の音声解析装置。
4. 左右方向に予め定められた距離にて離れて配置された前記音声取得手段により取得された音声に関する情報を基に当該音声取得手段に対する他者の方向を表す角度を導出する角度導出部をさらに備えることを特徴とする請求項３に記載の音声解析装置。
5. 音声を取得する複数の音声取得手段と、
   前記音声取得手段が取得した音声が、装着者の発話音声であるか装着者以外の他者の発話音声であるかを識別する自他識別部と、
   複数の前記音声取得手段により取得された前記音声について周波数と位相差との関係を求める位相差導出部と、
   前記位相差導出部により導出された前記位相差のばらつきの程度である散布度を導出する散布度導出部と、
   前記音声が他者の発話音声であると識別された場合に前記散布度導出部により導出された散布度である第１の散布度と、前記音声が前記装着者の発話音声であると識別された場合に当該散布度導出部により導出された散布度である第２の散布度と、を使用して、前記装着者と他者との間の距離を導出する距離導出部と、
   を備えたことを特徴とする音声解析システム。
6. コンピュータに、
   音声を取得し装着者の発話音声と装着者以外の他者の発話音声とを識別するための音声取得手段により取得された音声の、当該音声に関する情報を取得する機能と、
   複数の前記音声取得手段により取得された前記音声について周波数と位相差との関係を求める機能と、
   導出された前記位相差のばらつきの程度である散布度を導出する機能と、
   前記音声が他者の発話音声であると識別された場合に導出された散布度である第１の散布度と、前記音声が前記装着者の発話音声であると識別された場合に導出された散布度である第２の散布度と、を使用して、前記装着者と他者との間の距離を導出する機能と、
   を実現させるプログラム。

Images