JP6548938B2 - 音声処理装置及び音声処理方法 - Google Patents

Description

本発明は、音響装置や放送設備などのスピーカーから流れる音声を明瞭に聴きやすくするための音声処理装置及び音声明瞭化装置並びに音声処理方法に関する。

一般に、ビルや公共の建物会館、ショッピングセンター、スポーツ施設などといった大勢の人が集まる場所には、必要な情報の案内や緊急のアナウンスを行うための放送設備（館内放送）が設置されている。この放送設備は、例えば建物の天井や壁などにスピーカーを設置し、放送室から送られる音声信号をスピーカーで音声に変換して出るようになっているが、天井板の共振現象や他のスピーカーからでる音声との干渉などの条件によっては音声の内容が聞き取り難いことがある。

一方、加齢によって聴力が衰えた高齢者や難聴者の場合、音声は聴き取れても何を言っているのかよく分からないことがある。これは人間が発する音声（言語）が母音と子音からなるものであって、このうち母音は比較的容易に聴き取れても子音が聴き取り難いためであると考えられている。従って、スピーカーから出る音量を上げたり、補聴器の感度を高くしただけでは、子音だけでなく母音も大きくなるため、容易に解消できない。

そのため、例えば以下の特許文献１では、携帯電話やテレビ、ステレオなどのオーディオ機器を使用する使用者の年齢による聴覚の変化に合わせてレシーバなどから出力される音声の周波数特性およびレベルを補正する音声補正装置が提案されている。また、以下の特許文献２や３などでは、話者のホルマントを検出して聴きやすいホルマントに変形する方法が提案されている。

特開２０００−２０９６９８号公報 特開２００８−１１６５３４号公報 特開平０１−９３７９６号公報

ところで、前述したような館内放送におけるスピーカーから出る音声を聴き取り易くするためには、放送機器やスピーカーを高品質なものに代えたり、スピーカーの数や設置場所などを工夫するなどが考えられるが、そのためには多大な費用を要する。一方、聴力が衰えた高齢者や難聴者に対する音声の補正方法では、声色（音質）が大きく変化して不自然な音声になってしまうことがある。

そこで、本発明はこれらの課題を解決するために案出されたものであり、その目的の１つは、既存の音響装置や放送設備であってもそのスピーカーから流れる音声を明瞭に聴きやすくできる新規な音声処理装置及び音声明瞭化装置並びに音声処理方法を提供するものである。また、本発明の他の目的は、聴力が衰えた高齢者や難聴者であっても違和感の無い自然な音声で聴き取ることができる新規な音声処理装置及び音声明瞭化装置並びに音声処理方法を提供するものである。

人間の聴覚による言語の理解は、鼓膜で受けた音波を聴覚器官で電気信号に変換して脳へ伝達され、過去の経験から得た記憶に照合して言葉として判断されるものであるが、聴覚器官は非常に複雑であり、その働きについてはあまり解明されていない。

近年、難聴者向けに補聴器や集音器が「対個人」を目的に特殊な補助音声処理を施した受動的機器類が広く普及しつつあるが、これらは外部から到来する音声や他の音を聴取するもので装着による疲労感や見た目を気にすることから使用をためらうケースが多い。また、高性能なものほど高額となり、経済的負担が大きい。

一方、言語の発声メカニズムに関する研究によれば、声帯という器官から強さ、量などが調整された空気が母音として放出される。これを第１ホルマントといい、後に続く軌道、口腔の容積や形状、鼻腔、舌の振動・形状、上顎、下顎による弛緩容積などの調整による共鳴現象で第１ホルマントより高い周波数域にエネルギーの大きい周波数特性上のピークが複数現れ、これらをホルマントと呼んでいる。低い周波数側から高い周波数側に向かって順次現れるピークを第２ホルマント、第３ホルマント、第４ホルマント…、第ｎホルマントとされ、それらを合成したものがその個人独自の声色として発せられる。

一般に聴覚による音声信号の理解は、その声の流れの中で重要な周波数成分およびその大きさを検知し、それらを脳に伝達して実現されるのであるが、この流れに関する研究は、言語の分野では比較的進んでおり、第１ホルマントから第４ホルマントが特に重量な周波数成分とされている。

そこで、前記課題を解決するための第１の発明は、収音された音声信号を分岐し、分岐した一方の音声信号から低次のホルマント以下の低周波数成分と高次のホルマントを超える高周波数成分とを除去する帯域濾波器と、前記分岐した他方の音声信号の位相を、前記帯域濾波器を通過した音声信号の位相と合うように補正する位相補正器と、前記帯域濾波器を通過した音声信号を前記位相補正器を通過した音声信号に加算合成して出力する加算合成器とを有することを特徴とする音声処理装置である。

このような構成によれば、もとの音声信号から言語の識別に重要な第２〜第４程度のホルマント成分のみを抽出して元の音声信号に加えて出力できるため、健聴者にとっては、条件悪化により減衰した第２〜第４程度のホルマント成分が強調されることにより、条件の悪い放送設備であってもその音声を明瞭に聴き取ることができる。一方、聴力が衰えた高齢者や難聴者のように特に第２〜第４程度のホルマント成分が聴き取り難い対象者にとっては、全体の音量を上げなくともその音声の内容を明瞭に聴き取ることができる。

ここで、本発明でいう「低次のホルマント以下の低周波数成分と高次のホルマントを超える高周波数成分とを除去した」周波数帯域としては特に限定するものではないが、例えば言語の認識に重要な要素である第２から第４ホルマント、より望ましくは第２から第５ホルマントを含む周波数帯域をいう（以下、同じである）。

第２の発明は、収音されたステレオ信号となる左右音声信号から低次のホルマント以下の低周波数成分と高次のホルマントを超える高周波数成分とを除去する帯域濾波器と、前記左右音声信号の位相を、前記帯域濾波器を通過した音声信号の位相と合うようにそれぞれ補正する一対の位相補正器と、前記帯域濾波器を通過した音声信号を前記各位相補正器を通過した左右音声信号にそれぞれ加算合成して出力する一対の加算合成器とを有することを特徴とする音声処理装置である。このような構成によれば、ステレオ音声の場合であっても、第１の発明と同様に明瞭で聴き取りやすい音声を出力できる。

第３の発明は、第１または第２の発明において、前記帯域濾波器は、分岐した一方の音声信号から低次のホルマント以下の低周波数成分を除去するハイパスフィルターと、前記ハイパスフィルターを通過した音声信号から高次のホルマントを超える高周波数成分を除去するローパスフィルターとからなることを特徴とする音声処理装置である。このような構成によれば、もとの音声信号から言語の識別に重要な第２〜第４程度のホルマント成分のみを確実に抽出することができる。

第４の発明は、第１〜第３の発明において、前記帯域濾波器を通過した合成前の音声信号の値を調整する効果調整器を備えたことを特徴とする音声処理装置である。条件や放送設備の性能などにより、音声の識別に重要な第２〜第４程度のホルマント成分の減衰量は一様ではない。また、聴力が衰えた高齢者や難聴者の場合、第２〜第４程度のホルマント成分の聴取能力には個人差が大きい。そこで、本発明のように効果調整器によって帯域濾波器で抽出した第２〜第４程度のホルマント成分の値を適宜調整（増減）することによって明瞭で且つ違和感のない音声を出力することができる。

第５の発明は、可搬自在な筐体内に、前記第１〜第４のいずれかの音声処理装置を収容すると共に、前記筐体の表面に、収音用のマイクロホンを脱着可能に接続する入力側接続口と、前記音声処理装置で処理した音声信号を放送設備に出力する出力側接続口とを備えた音声明瞭化装置である。このような構成によれば、既存の放送設備に対して本発明装置を簡単に組み込むことが（付設）できるため、低コストで優れた効果を発揮できる。また、持ち運びが容易となるため、屋外のイベント会場の放送設備や他の放送設備にも簡単に適用できる。

第６の発明は、収音された音声信号を分岐する第１のステップと、前記第１のステップで分岐した一方の音声信号から第１ホルマント以下の低周波数成分と高次のホルマントを超える高周波数成分とを除去する第２のステップと、前記第１のステップで分岐した他方の音声信号の位相を、前記第２のステップで処理された音声信号の位相と合うように補正する第３のステップと、前記第２のステップで処理された音声信号と前記第３のステップで処理された音声信号とを合成して出力する第４のステップとを含むことを特徴とする音声処理方法である。このような構成によれば、第１の発明と同様に、明瞭で聴き取りやすい音声を出力できる。

本発明によれば、もとの音声信号から言語の識別に重要な第２〜第４程度のホルマント成分のみを抽出して元の音声信号に加えて出力できるため、健聴者にとっては、条件悪化により減衰した第２〜第４程度のホルマント成分が強調されることにより、条件の悪い放送設備であってもその音声を明瞭に聴き取ることができる。一方、聴力が衰えた高齢者や難聴者のように特に第２〜第４程度のホルマント成分が聴き取り難い対象者にとっては、全体の音量を上げなくともその音声の内容を明瞭に聴き取ることができる。

音声の流れのなかでみられる周波数分析例を示した図である。 音声の流れの中からサンプリングした言語認識の過程を説明した例を示した図である。 感音性難聴におけるＶの音声レベルを１０ｄＢ増加した例を示した図である。 第１ホルマントｈ１以外のＧ領域のホルマントを帯域濾波器で抽出し、振幅増幅させた各ホルマントの各高調波成分信号を主音声信号へ加算合成した状態を示した図である。 本発明に係る音声処理装置１００の実施の一形態を示した図である。 位相補正器３の回路構成図である。 入力緩衝器２と帯域濾波器３０（４、５）の周波数特性図である。 帯域濾波器３０（４、５）による位相ずれ特性図である。 位相補正器３が無い場合の位相差Ｔを示す図である。 位相差による周波数特性図である。 位相変換器３の位相可変範囲を示す図である。 効果調整器６による出力特性を示す図である。 位相補正器３がある場合の同位相加算を示す図である。 既存の有線放送設備の構成を示す図である。 既存の無線放送設備の構成を示す図である。 本発明に係る音声明瞭化装置２００の実施の一形態を示した図である。 本発明に係る音声処理装置１００の他の実施形態（ステレオ音声）を示した図である。

以下、本発明の実施の形態を添付図面を参照しながら説明する。図１は、音声の流れのなかでみられる周波数分析例を示したものである。前述したように人が言葉を発すると共鳴現象に伴い、ホルマントと称される数次の高調波が同時に放出される。これら数次の高調波のうち、主に母音に影響を与える基本波ｈ１を第１ホルマントといい、次に周波数が高い高調波ｈ２を第２ホルマント、その次に周波数が高い高調波ｈ３を第３ホルマント、その次に周波数が高い高調波ｈ４を第４ホルマントと称されており、以後順に周波数が高い高調波ｈｎを第ｎホルマントと称されている。そして、高次のホルマントになるほど低いレベルへと減衰するが、このうち第２〜第５程度のホルマント成分が特に言語理解に重要な要素となっていることが判明している。

言語分野における研究によれば、聴覚は各ホルマントを敏感に検出し、また言葉を知覚する能力は幼児期に学習し、記憶しているといわれている。そのため、聴覚から得られた言語情報の一部が欠落していても過去に記憶蓄積された経験で欠落部分が補完され、一般的な日常会話であれば問題にはならないといわれている。

しかしながら、聞こえてきた音を言葉として認識するためには、聴覚が前記のホルマントを検出する必要があるが、もしこれらのホルマントのうち重要なホルマント成分が検出できないと言葉として認識できない。例えば、５００Ｈｚ〜３ｋＨｚの帯域を削除すると言語を全く理解できないという実験結果も報告されている。

音を聴き取り難い難聴は、外耳、中耳の障害による伝音性難聴と、内耳、聴覚神経、脳の障害による感音性難聴と、これらの両方に起因する複合性難聴との３種類に大きく分類される。このうち、軽度の難聴である伝音性難聴の場合は、例えばテレビの音量を大きくしたり、対話者が耳元で話しかけるなどで対応できるが、感音性難聴の場合は、加齢と共に進行し、到来音を大きくしてもただ「ゴホン、ゴホン」という音として聞こえるだけで言葉の内容が理解できない。これは音量を上げても第２ホルマント〜第４ホルマントの中レベルのホルマントを検出する能力が低下してしまったためと考えられる。

また、聴覚には過大音が到達したときにその音の周波数近辺の他の小さな音は検出され難いか、またはある音が別の音に妨害されて聴き取り難いという性質がある。これをマスキング効果といい、過大音に対して脳の自己防衛作用が働くためといわれている。これらの代表例として、例えば大きな会場に設置される放送設備において天井部に埋め込まれたスピーカーから出る音声成分に含まれる低音域の音圧レベルが、天井板によるバッフル効果によって２〜３倍程度に上昇することがある。

この結果、そのスピーカーから出る音声成分のうち、第２ホルマント以上のホルマント成分がマスキングされてしまい放送内容が聴き取れないという事態がしばしば起こる。一方、高齢者の場合では音声検知能力が低下するため、言語の基本波である第１ホルマントの音量が上昇すると第２ホルマント以降のホルマントがマスキングされて言葉が聴き取れなくなってしまう。

以上の考察から言語を正確に伝達するためには、第２ホルマント以上の高調波成分を増幅させてマスキングレベルを超えるようにすることでこれらの難聴の問題を解決できると考える。

図２は、音声の流れの中からサンプリングした言語認識の過程を説明した例を示したものである。横軸は周波数（Ｈｚ）、縦軸は音圧（ｄＢ）であり、Ｖ（ヴイ）という声に含まれるホルマント成分とそのレベルを示している。第１ホルマントｈ１は最も低い周波数成分（母音）を有しているが、その音圧は最も高いレベルとなっている。以後、第２ホルマントｈ２〜第ｎホルマントｈｎになるに従ってその音圧は徐々に低いレベルに推移している。

この図において、ラインＭＫは健聴者のマスキング範囲を示し、ラインＭＫ’は難聴者のマスキング範囲を示している。図示するように健聴者のマスキングラインＭＫはすべてのホルマントより低いため、マスキング効果を受け難くＶ音声を明瞭に聴き取れるのに対し、難聴者のマスキングラインＭＫ’は、第１ホルマントｈ１を除く他のホルマントよりも高いため、マスキング効果が著しくＶ音声を聴き取れることができないことが分かる。

図３は、感音性難聴におけるＶの音声レベルを１０ｄＢ増加した場合を示したものである。図においてｈ１＋〜ｈｎ＋はそれぞれ各ホルマントｈ１〜ｈｎをそれぞれ１０ｄＢ増加したレベルを示しているが、難聴者のマスキングラインＭＫ’は単にそのまま上方向へ平行移動するだけであり、音量を上げただけでは言語の理解は不可能であることが分かる。

図４は、音声認識に重要な要素である、第１ホルマントｈ１以外のＧ領域のホルマント（第２ホルマントｈ２〜第ｎホルマントｈｎ）を帯域濾波器（バンドパスフィルタ）で抽出し、振幅増幅させた各高調波成分信号ホルマントｈ２＋＋〜ｈｎ＋＋を主音声信号へ加算合成した状態を示したものである。図示するように、このような処理をすれば全てのホルマント成分が難聴者のマスキングラインＭＫ’を上回る結果となって音声Ｖを理解できることが分かる。

なお、従来の補聴器や集音器は、離れた位置から発生される音声を集めることが主体となっているが、空中を伝播する途中で高次のホルマント成分は周囲の騒音や拡散、空気質量により減衰して言語理解度が著しく阻害されるため、一層複雑な音声処理が必要になると思われる。

本発明の音声処理装置は、発声者の口元の近い距離のマイクロホンで収音された音声、すなわち空気などによる伝搬損失が少なく、言語理解に重要な要素となる高次のホルマント成分が減衰されていない状態のピュアな音声を主な対象とし、その音声から高次のホルマント成分を抽出して元の音声に加算合成すれば、条件の悪い放送設備や難聴者であっても明瞭に音声の内容を聴き取ることが可能となるとの知見のもとに案出されたものである。

図５は、本発明に係る音声処理装置１００の実施の一形態を示したものである。図中符号１は収音用のマイクロホン、２はこのマイクロホン１で発声する微小電圧信号を数倍に増幅して効率良く処理するための緩衝増幅器、３はこの緩衝増幅器２で増幅された音声信号の位相を補正する位相補正器、３０は同じく緩衝増幅器２で増幅された音声信号のうち低次のホルマント以下の周波数成分と高次のホルマント以上の周波数成分とを除去する帯域濾波器である。

また、図中６はこの帯域濾波器３０を通過した音声信号の値を調整する調整器、７はこの調整器７で調整された音声信号を位相補正器３で補正された音声信号に加算合成する加算合成器、８はこの加算合成器で合成された音声信号の出力を調整する出力緩衝器、９は音声信号をマイクロホン１の出力感度に調整するための減衰器、１０は出力端子である。

帯域濾波器３０は、さらにハイパスフィルター４とローパスフィルター５とから構成されており、ハイパスフィルター４によって音声信号のなかから第１ホルマントｈ１以下の低周波成分を除去し、ローパスフィルター５によってハイパスフィルター４を通過した音声信号から高次のホルマントを超える高周波数成分を除去して第２ホルマント〜第５ホルマントの周波数成分を抽出するようになっている。

位相補正器３は、図６に示すように入力端子１５、入力接地端子１６、出力端子１７、出力接地端子１８、演算増幅器１９、コンデンサ、抵抗Ｒ、Ｒ１、Ｒ２とからなる回路構成を有しており、音声信号を後述するように０〜−１８０度の範囲で任意に位相遅延制御できるようになっている。

以下、このような構成をした音声処理装置１００の作用を説明する。図５に示すようにまず発話者の口元で発せられた音声は殆ど減衰することなく直接マイクロホン１で集音されて電気信号（音声信号）に変換されて緩衝増幅器２で数倍に増幅される。増幅された音声信号はその後、分岐してその一方が主音声経路Ｌ１を通過して位相補正器３に送られて後述するようにその位相が補正処理される。

他方、副音声経路Ｌ２側に送られた音声信号は、帯域濾波器３０で第２ホルマント〜第５ホルマントの周波数成分が抽出される。すなわち、この帯域濾波器３０のハイパスフィルター４を通過することによって第１ホルマントおよび有害な低周波成分、例えばマイクロホン１に吹き付けられる息などで生ずる風切り音が抑圧された後、ローパスフィルタ−５を通過することによって各部の増幅素子自体の発する耳障りな高周波雑音を抑圧して図７の曲線ｎａで示す一種の広帯域濾波器特性を持たせ改善効果の向上を図っている。

ハイパスフィルター４は、明瞭度合いを任意に設定するため５倍程度の増幅器としての機能を併せ持ち、ローパスフィルタ−５は、さらに言語の認識に対する貢献度の低い超高次のホルマントを含む広域周波数成分を除去することで信号対雑音比性能の特性を改善している。この帯域濾過器３０の出力点ｚの周波数特性を図７の曲線ｂｐで示す。本実施の形態では、この帯域濾過器３０の周波数特性は様々な検証テストで設定された４００Ｈｚ~７ｋＨｚの約４オクターブであり、低域、高域ともおよそ−１２ｄＢ／ｏｃｔ程度で各々遮断している。

この帯域濾過器３０を出た音声信号は、効果調整器６でその値が調整されてから、加算合成器７で主音声経路Ｌ１側の音声信号に加算合成される。加算合成された音声信号は、出力緩衝器８および減衰器９で適宜その出力が調整された後、出力端子１０から既存の放送設備などへ出力される。

ここで、この帯域濾過器３０においては図５のｘ点からの入力信号が図８に示すように音声帯域内で最大９０度程度の位相遅れＴをもってｚ点に出力されるという本質的な特性がある。このため、このｚ点に出力された音声信号を、主音声経路Ｌ１を通過する主音声信号にそのまま加算合成器７で合成すると、図９に示すように主音声信号電圧をＶｘ、帯域濾過器３０の出力電圧をＶｚとすると、Ｖｚは位相遅れのため、−Ｖｚと考えられることでＶｘ＋（−Ｖｚ）＝Ｖｋとなり、２信号の電圧差が加算合成器７の出力となる。

この結果、図１０に示すようにある周波数域に周波数特性上ｄなる「深い谷」特性という不感帯を生じてしまい、言語理解上特に重要な第２ホルマントおよび第３ホルマント金パンの音量が極端に小さくなるなどの明瞭度の改善に大きな障害となる不都合が発生する。図９は２音声信号の位相を考慮した場合の加算合成器７における信号の相殺現象を示したものである。

本発明は、このような不感帯を解消するために主音声信号経路Ｌ１上に位相補正器３を設け、図１３に示すように高次のホルマント抽出のための帯域濾波器３０（４、５）で生ずる位相遅れに相当する位相遅延を加えて補正し、補正した音声信号に帯域濾波器３０（４、５）を通過した音声信号を加算合成することで不感帯の発生を回避するようにしたものである。

従って、主音声経路Ｌ１側に設けられた位相補正器３は、本発明の音声処理装置１００を実現する上で重要な役割を担っていると共に大きな特徴となっている。すなわち、図６に示すようにこの位相補正器３を構成する回路では、角周波数はω＝１／ＣＲで決定され、０〜−１８０度の範囲で任意に位相遅延制御が達成できる。ちなみにＣ及びＲ値を任意に選択することで利得を一定にしたまま低い周波数帯であっても位相遅れを限りなく０度に近づけることができるという優れた特質があり、その位相特性を図１１に示す。

図６において入力端子１５から入力された音声信号は演算増幅器１９の反転端子（−）に印加されるため、出力端子１７には入力された信号とは逆相の反転信号が現れる。一方、同時に入力端子１５にはコンデンサＣが演算増幅器１９の非反転端子（＋）へ接続されているが、コンデンサＣは周波数よりそのインピーダンスが変化する素子でそのインピーダンスＺは１／ωＣであることから周波数に反比例し、周波数が高くなるほど内部抵抗（インピーダンス）が低くなるという特性がある。

そのため、高い周波数ほど非反転入力端子への入力信号が増加し、演算増幅器１９内部では両方の信号を演算し、非反転側の信号が大きければ出力端子１７の信号の位相遅延幅を小さくし、周波数が低くなればインピーダンスが大きくなるため、非反転入力端子への入力信号が小さくなり、出力端子１７には大きな遅延幅を持った信号が出力されるのであるが、希望周波数での位相遅延度合いは、抵抗Ｒ、コンデンサＣの定数で自由に設定が可能になる。なお、この位相補正器３の増幅度はｒ２／ｒ１で決定され、目的に応じて任意に設定可能であり、常に一定に保つことができる。

そして、図４のＧ範囲にある言語理解に重要な高次ホルマント成分は効果調整器６により加算合成器に印加され、マスキングラインＭＫ’を超えるように任意に設定することで出力緩衝器８の合成出力ｔ点では、図１２（Ａ）〜（Ｃ）に示すように周波数対出力レベル曲線は、効果調整器６の設定位置により、「最小位置」、「中央位置」、「最大位置」のように使用場所や難聴者の程度に応じて最適な効果が得られるように自由に選択することができる。

さらに、本発明の音声処理装置１００は、出力側に減衰器９を備えることにより、その出力感度をマイクロホン１の出力感度に合わせことが可能となるため、図１４や図１５に示すような既存の有線及び無線の放送設備に対しても簡単に組み込むことができる。この結果、既存の放送設備に対しては何ら改造や改良を加える必要がなくなり、低コストで優れた館内放送の音質改善効果が得られる。

この場合には、さらに図１６に示すように持ち運び（可搬）自在な筐体（金属ケース）３３内に、本発明の音声処理装置１００を内蔵し、その筐体３３の表面に収音用のマイクロホン１を脱着可能に接続する入力側接続口３４と、音声処理装置１００で処理した音声信号を放送設備に出力する出力側接続口３５を設けるような構成としたユニット状の音声明瞭化装置２００とすれば、取り付けや取り外しが容易になるだけでなく、持ち運びや収容が簡単にできるため、屋外のイベント会場の放送設備や他の放送設備にも簡単に適用できる。

また、本発明に係る音声処理装置１００の他の実施の形態として、図１７に示すように主音声経路Ｌ１を左右一対設け、各主音声経路Ｌ１−Ｒ、Ｌ１−Ｌの音声信号を前記と同じように副主音声経路Ｌ２で帯域濾過し、その抽出した信号（第２ホルマント〜第５ホルマント）をそれぞれの加算合成器７ａ、７ｂで各主音声経路Ｌ１−Ｒ、Ｌ１−Ｌの音声信号に加算合成すれば、ステレオ音声の場合であっても同様な効果を得ることができる。

すなわち、図１７に示すように一対の信号入力端子１ａ、１ｂからそれぞれ入力されたステレオ信号となる左右音声信号は、各入力緩衝装置２ａ、２ｂで増幅されると共に、後段の動作を正常とするために低インピーダンス出力変換される。各入力緩衝装置２ａ、２ｂからでた左右音声信号（ステレオ信号）は、それぞれ各主音声経路Ｌ１−Ｒ、Ｌ１−Ｌと入力加算器３１側に分岐する。

入力加算器３１側に分岐した左右音声信号（ステレオ信号）は、ここで合流してから混合緩衝器３２でモノラル信号に変換され、ハイパスフィルタ−４とローパスフィルター５を含む帯域濾波器３０で増幅されると共に高次のホルマントが抽出されて効果調整器６に送られてその値が調整される。

一方、各主音声経路Ｌ１−Ｒ、Ｌ１−Ｌ側を通過する各左右音声信号（ステレオ信号）は、各位相補正器３ａ、３ｂで前述したようにその位相が帯域濾波器３０で必然的に生ずる位相遅れ分に相当する時間遅れが補正されて同位相となってそれぞれ加算合成器７ａ、７ｂにおいて効果調整器６で効果が調整されたモノラル音声信号と加算合成される。その後、各左右音声信号（ステレオ信号）は、それぞれの出力緩衝器８ａ、８ｂでインピーダンスが下げられた後、信号出力端子１０ａ、１０ｂから出力されることになる。

一般にテレビ放送の音声はモノラルで放送され、広がり成分は左右のチャンネルにそれぞれ分離して音場を作り出しているため、入力加算器３１および混合緩衝器３２の出力、すなわち音声成分は広がり成分よりも約６ｄＢ程度大きなレベルで帯域濾波器３０へと印加される。このため、この音声成分から言語認識に重要な第２ホルマント〜第５ホルマントを抽出してもとのステレオ信号に合成することにより明瞭化を達成することができる。

この結果、聴きやすく明瞭化された音声信号を無線送信装置やＴＶ音声補助装置、音楽再生装置などへ組み込むことで聴力が衰えた高齢者や難聴者であっても明瞭に聴き取ることができ、また、騒音が激しい環境での日常生活で活用することが可能となる。そして、本発明装置１００を実際に既存の無線送信装置やＴＶ音声補助装置、音楽再生装置等に組み込んだところ、健聴者と難聴者との日常生活で生ずる障害を除くことが可能となったとのフィールドテスト結果も報告されている。

本発明の音声処理装置１００および持ち運びを容易にした音声明瞭化装置２００は、既存の放送設備であれば、その殆どに適用可能であり、簡単に優れた音声明瞭化効果を発揮できる。例えば、病院などの呼び出し設備、自治体の非常放送設備、電話機の送話部、無線通信機、音声認識会議システム、イベント会場の案内放送装置、テレビ受像機、ラジオ受信機、公共施設の案内放送設備、高齢者・障害者収容施設の放送設備、学校内放送設備、電車・バスの車内放送、駅・ショッピングセンター・デパート・映画館などの多くの人が集まる場所の館内放送などに簡単に適用でき、優れた音声明瞭化効果が得られる。

本発明の音声処理装置１００および音声明瞭化装置２００によれば、聴き取り難かった音声が明瞭化されるだけでなく、送話者個人特有の声色を保持できるため、違和感のない自然な音声を生成することができる。

１００…音声処理装置
２００…音声明瞭化装置
１…マイクロホン
２…入力緩衝装置
３…位相補正器
４…ハイパスフィルター
５…ローパスフィルター
６…効果調整器
７…加算合成器
８…出力緩衝器
９…減衰器
１０…音声出力端子
１１…音声処理部
１２…電力増幅器
１３…スピーカ
１５…入力端子
１６…入力接地端子
１７…出力端子
１８…出力接地端子
１９…演算増幅器
２０…本発明装置を搭載した変調器部
２１…無線送信部
２２…送信用アンテナ又は赤外線発光部
２３…受信用アンテナ又は赤外線受光部
２４…無線信号受信部
３０…帯域濾波器
３１…入力加算器
３２…混合緩衝器
３３…筐体
３４…入力側接続口
３５…出力側接続口

Claims (2)

1. 発話者のピュアな音声を集音するマイクロホンと、
   前記マイクロホンで集音された音声信号を分岐し、分岐した一方の音声信号から低次のホルマント以下の低周波数成分と高次のホルマントを超える高周波数成分とを除去する帯域濾波器と、
   前記分岐した他方の音声信号の位相を、前記帯域濾波器を通過した音声信号の位相と合うように補正する位相補正器と、
   前記帯域濾波器を通過した音声信号の各ホルマント成分が周波数マスキングラインを超えるように、当該各ホルマント成分のレベルを調整する効果調整器と、
   前記効果調整器を通過した音声信号を前記位相補正器を通過した音声信号に加算合成して出力する加算合成器とを有し、
   前記帯域濾波器は、分岐した一方の音声信号から４００Ｈｚ未満の低次のホルマントを含む低周波数成分を除去するハイパスフィルターと、
   前記ハイパスフィルターを通過した音声信号から７ｋＨｚを超える高次のホルマントを含む高周波数成分を除去するローパスフィルターとからなることを特徴とする音声処理装置。
   
2. 発話者のピュアな音声を集音する第１のステップと、
   前記第１のステップで集音された音声信号を分岐し、分岐した一方の音声信号から低次のホルマント以下の低周波数成分と高次のホルマントを超える高周波数成分とを除去して帯域濾過する第２のステップと、
   前記分岐した他方の音声信号の位相を、前記帯域濾過した一方の音声信号の位相と合うように補正する第３のステップと、
   前記帯域濾過した一方の音声信号の各ホルマント成分が周波数マスキングラインを超えるように、当該各ホルマント成分のレベルを調整する第４のステップと、
   前記前記第４のステップで調整した音声信号を前記第３のステップで位相調整された音声信号に加算合成して出力する第５のステップとを含み、
   前記第２のステップは、分岐した一方の音声信号から４００Ｈｚ未満の低次のホルマントを含む低周波数成分を除去するハイパスフィルターと、
   前記ハイパスフィルターを通過した音声信号から７ｋＨｚを超える高次のホルマントを含む高周波数成分を除去するローパスフィルターとを用いて帯域濾過することを特徴とする音声処理方法。

Images