JP7337965B2 - 発話者推定装置 - Google Patents
発話者推定装置 Download PDFInfo
- Publication number
- JP7337965B2 JP7337965B2 JP2021577727A JP2021577727A JP7337965B2 JP 7337965 B2 JP7337965 B2 JP 7337965B2 JP 2021577727 A JP2021577727 A JP 2021577727A JP 2021577727 A JP2021577727 A JP 2021577727A JP 7337965 B2 JP7337965 B2 JP 7337965B2
- Authority
- JP
- Japan
- Prior art keywords
- speaker
- occupant
- threshold
- degree
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005236 sound signal Effects 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 description 47
- 230000008569 process Effects 0.000 description 36
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 6
- 239000000470 constituent Substances 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Fittings On The Vehicle Exterior For Carrying Loads, And Devices For Holding Or Mounting Articles (AREA)
Description
図1は、実施の形態1に係る発話者推定装置10の構成を示す図である。ここでは、発話者推定装置10が車両に搭載されているものと仮定する。ただし、発話者推定装置10は、例えば携帯電話やスマートフォンなど、車両に持ち込み可能な携帯型の機器上で実現されていてもよい。また、発話者推定装置10が行う処理の一部または全部が、車両の外部に設置され、車両に搭載された発話者推定装置10と通信可能なサーバー上で行われてもよい。
実施の形態1では、発話者推定処理で用いる乗員の開口度の統計量を平均値としたが、標準偏差としてもよい。人は発話時には非発話時よりも頻繁に口を動かすため、開口度の標準偏差には発話時と非発話時との差が現れやすい。そのため、開口度の統計量として標準偏差を用いても、発話者座席推定部163は、各乗員が発話者か否かを高い精度で判定でき、発話していない乗員が誤って発話者として推定されることが抑制される。
図9および図10は、それぞれ発話者推定装置10のハードウェア構成の例を示す図である。図1に示した発話者推定装置10の構成要素の各機能は、例えば図9に示す処理回路50により実現される。すなわち、発話者推定装置10は、車両内に設置されたマイクロホンアレイ21から音声信号を取得し、音声信号から音声区間を検出し、音声信号に基づいてマイクロホンアレイ21が取得した音声の到来方向を算出し、カメラ22が撮影した車両の各乗員の画像を取得し、各乗員の画像に基づいて各乗員の口の開き具合を表す開口度を算出し、音声区間における音声の到来方向および音声区間における各乗員の開口度の統計量に基づいて、発話者である乗員を推定する、ための処理回路50を備える。処理回路50は、専用のハードウェアであってもよいし、メモリに格納されたプログラムを実行するプロセッサ(中央処理装置(CPU:Central Processing Unit)、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、DSP(Digital Signal Processor)とも呼ばれる)を用いて構成されていてもよい。
図11は、実施の形態2に係る発話者推定装置10の構成を示す図である。図11の発話者推定装置10の構成は、図1の構成に対し、乗員認識部17を追加したものである。
実施の形態2においても、発話者推定処理で用いる乗員の開口度の統計量は、標準偏差でもよい。開口度の統計量を標準偏差とした場合の発話者推定処理のフローチャートを図15に示す。図15のフローは、図6のフローに対し、ステップS201の後に、ステップS217を追加したものである。ステップS217では、閾値設定部164が、乗員認識部17による乗員の認識結果に基づいて、発話者推定処理で用いられる開口度の標準偏差の閾値を、乗員ごとに設定する処理が行われる。ステップS211~S216は、図6のフローと同様である。ただし、ステップS213の判断処理は、ステップS217で設定された乗員ごとの閾値を用いて行われる。
図16は、実施の形態3における発話者推定部16の構成を示す図である。図16の発話者推定部16の構成は、図2の構成に対し、閾値更新部165を追加したものである。なお、本実施の形態において、発話者推定装置10の全体構成は実施の形態1(図1)と同様である。閾値更新部165は、発話者推定処理で用いられる開口度の統計量の閾値を更新する。
TA=(1-α)TB+αS ・・・(1)
として算出する。式(1)のα(0<α<1)は、Sが閾値の更新に与える影響度を規定する係数であり、αが大きいほど更新時の閾値の変化量が大きくなる。
実施の形態3においても、発話者推定処理で用いる乗員の開口度の統計量は、標準偏差でもよい。開口度の統計量を標準偏差とした場合の閾値更新部165の動作を示すフローチャートを図18に示す。
実施の形態4では、実施の形態2と実施の形態3とを組み合わせる。図19は、実施の形態4における発話者推定部16の構成を示す図である。図19の発話者推定部16の構成は、図12の構成に対し、閾値更新部165を追加したものである。なお、実施の形態4に係る発話者推定装置10の全体構成は実施の形態2(図11)と同様である。
Claims (8)
- 車両内に設置されたマイクロホンアレイから音声信号を取得する音声信号取得部と、
前記音声信号から音声区間を検出する音声区間検出部と、
前記音声信号に基づいて前記マイクロホンアレイが取得した音声の到来方向を算出する音声到来方向算出部と、
カメラが撮影した前記車両の各乗員の画像を取得する画像取得部と、
前記各乗員の画像に基づいて前記各乗員の口の開き具合を表す開口度を算出する開口度算出部と、
前記音声区間における音声の到来方向と前記音声区間における前記各乗員の開口度の統計量とに基づいて、発話者である乗員を推定する発話者推定部と、
を備え、
前記発話者推定部は、
前記音声区間における音声の到来方向に基づいて発話者の座席の候補を絞り込み、
発話者の座席の候補にいる乗員のうち、前記音声区間における前記開口度の前記統計量が予め定められた閾値よりも大きい乗員を発話者として推定する、
発話者推定装置。 - 前記車両の各乗員の画像に基づいて、個々の乗員を認識する乗員認識部と、
前記閾値を乗員ごとに設定する閾値設定部と、
をさらに備える、
請求項1に記載の発話者推定装置。 - 発話者の座席の候補にいる乗員の中に、前記音声区間における前記開口度の前記統計量が予め定められた条件を満たす乗員が存在した場合に、前記条件を満たす乗員の前記開口度の前記統計量に基づいて前記閾値を更新する閾値更新部をさらに備える、
請求項1に記載の発話者推定装置。 - 前記閾値更新部は、前記閾値の現在の値と前記条件を満たす乗員の前記開口度の前記統計量との加重平均値を、前記閾値の新たな値として設定する、
請求項3に記載の発話者推定装置。 - 前記条件は、前記音声区間における前記開口度の前記統計量が前記閾値よりも大きい、または、前記音声区間における前記開口度の前記統計量と前記閾値との差が一定値よりも小さいことである、
請求項3に記載の発話者推定装置。 - 前記統計量は、平均値である、
請求項1に記載の発話者推定装置。 - 前記統計量は、標準偏差である、
請求項1に記載の発話者推定装置。 - 前記統計量は、平均値および標準偏差の両方を含み、
前記発話者推定部は、前記音声区間における前記各乗員の前記開口度の平均値および標準偏差の少なくとも片方に基づいて、発話者である乗員を推定する、
請求項1に記載の発話者推定装置。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/005115 WO2021161377A1 (ja) | 2020-02-10 | 2020-02-10 | 発話者推定装置および発話者推定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2021161377A1 JPWO2021161377A1 (ja) | 2021-08-19 |
JP7337965B2 true JP7337965B2 (ja) | 2023-09-04 |
Family
ID=77292177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021577727A Active JP7337965B2 (ja) | 2020-02-10 | 2020-02-10 | 発話者推定装置 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7337965B2 (ja) |
WO (1) | WO2021161377A1 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017134577A (ja) | 2016-01-27 | 2017-08-03 | 三菱電機株式会社 | 情報処理装置、情報処理サーバおよび情報処理方法 |
WO2019181218A1 (ja) | 2018-03-19 | 2019-09-26 | ソニー株式会社 | 情報処理装置、情報処理システム、および情報処理方法、並びにプログラム |
WO2020016927A1 (ja) | 2018-07-17 | 2020-01-23 | 三菱電機株式会社 | 音場制御装置および音場制御方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06301393A (ja) * | 1993-04-13 | 1994-10-28 | Matsushita Electric Ind Co Ltd | 音声区間検出装置及び音声認識装置 |
JP2003195883A (ja) * | 2001-12-26 | 2003-07-09 | Toshiba Corp | 雑音除去装置およびその装置を備えた通信端末 |
JP2009222969A (ja) * | 2008-03-17 | 2009-10-01 | Toyota Motor Corp | 音声認識ロボットおよび音声認識ロボットの制御方法 |
-
2020
- 2020-02-10 JP JP2021577727A patent/JP7337965B2/ja active Active
- 2020-02-10 WO PCT/JP2020/005115 patent/WO2021161377A1/ja active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017134577A (ja) | 2016-01-27 | 2017-08-03 | 三菱電機株式会社 | 情報処理装置、情報処理サーバおよび情報処理方法 |
WO2019181218A1 (ja) | 2018-03-19 | 2019-09-26 | ソニー株式会社 | 情報処理装置、情報処理システム、および情報処理方法、並びにプログラム |
WO2020016927A1 (ja) | 2018-07-17 | 2020-01-23 | 三菱電機株式会社 | 音場制御装置および音場制御方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021161377A1 (ja) | 2021-08-19 |
JPWO2021161377A1 (ja) | 2021-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11348581B2 (en) | Multi-modal user interface | |
JP7233035B2 (ja) | 収音装置、収音方法、及びプログラム | |
TWI442384B (zh) | 以麥克風陣列為基礎之語音辨識系統與方法 | |
JP4952698B2 (ja) | 音声処理装置、音声処理方法およびプログラム | |
US9293151B2 (en) | Speech signal enhancement using visual information | |
WO2020173156A1 (zh) | 用于控制多个扬声器播放音频的方法、装置和电子设备 | |
US9786295B2 (en) | Voice processing apparatus and voice processing method | |
US11211080B2 (en) | Conversation dependent volume control | |
JP6847324B2 (ja) | 音声認識装置、音声認識システム、及び音声認識方法 | |
WO2021156946A1 (ja) | 音声分離装置及び音声分離方法 | |
JP7337965B2 (ja) | 発話者推定装置 | |
US10645494B1 (en) | Active control system for a vehicular dual microphone and a control method thereof | |
JP3838159B2 (ja) | 音声認識対話装置およびプログラム | |
US11107476B2 (en) | Speaker estimation method and speaker estimation device | |
JP4561222B2 (ja) | 音声入力装置 | |
JP7065964B2 (ja) | 音場制御装置および音場制御方法 | |
KR20230084154A (ko) | 동적 분류기를 사용한 사용자 음성 활동 검출 | |
WO2020240789A1 (ja) | 音声対話制御装置及び音声対話制御方法 | |
KR20110078091A (ko) | 이퀄라이저 조정 장치 및 방법 | |
KR101710695B1 (ko) | 차량용 음성 인식을 위한 마이크로폰 제어 시스템 및 그 제어 방법 | |
WO2021156945A1 (ja) | 音声分離装置及び音声分離方法 | |
US20220262389A1 (en) | Method and apparatus for improving speech intelligibility in a room | |
WO2022239142A1 (ja) | 音声認識装置及び音声認識方法 | |
WO2020065771A1 (ja) | 音声感情認識装置および音声感情認識方法 | |
WO2023122283A1 (en) | Voice assistant optimization dependent on vehicle occupancy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220303 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230110 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230523 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230621 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20230629 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230822 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230823 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7337965 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |