JPH0815288B2 - Audio transmission system - Google Patents

Description

【発明の詳細な説明】 ［発明の技術分野］ 本発明は話者識別の行える音声伝送方式に関する。TECHNICAL FIELD OF THE INVENTION The present invention relates to a voice transmission system capable of speaker identification.

［発明の技術的背景とその問題点］ 近年、通信技術の進歩に伴い、遠隔地で通信により会
議を行う遠隔会議システムの需要が増加している。[Technical Background of the Invention and Problems Thereof] In recent years, with the progress of communication technology, the demand for a remote conference system for conducting a conference by communication in a remote place has increased.

遠隔会議システムは、一般にテレビ画像、電子黒板、
ファックス等の画像情報と音声情報とを遠隔地間でやり
とりするので、これらの情報の伝送コストの低下が望ま
れている。特に、現在の一般加入者線で伝送可能な64kb
ps程度の伝送速度でこれらの情報を伝送できれば、光フ
ァイバ等を用いた遠隔会議システムに比較して、はるか
に低コストで遠隔会議システムを実現できる。これは一
般加入者までデジタル化されるISDN（デジタル総合サー
ビス網）の完成時において、中規模ないし小規模の企業
や一般家庭まで含めた遠隔システムの普及の鍵を握ると
考えられる。Teleconferencing systems are commonly used for TV images, electronic blackboards,
Since image information such as a fax and voice information are exchanged between remote places, reduction in transmission cost of these information is desired. Especially, 64 kb that can be transmitted by the current general subscriber line
If these information can be transmitted at a transmission rate of about ps, a remote conference system can be realized at a much lower cost than a remote conference system using an optical fiber or the like. This is considered to hold the key to the widespread use of remote systems, including medium-sized or small-sized companies and ordinary households, when the ISDN (Digital Integrated Services Network), which will be digitalized to general subscribers, is completed.

このような低伝送速度、たとえば64kbpsの伝送路を使
用した遠隔会議システムにおいては、会議の運営に支障
を与えない範囲において画像や音声の多量の情報を圧縮
することが必要となる。In a teleconferencing system using such a low transmission rate, for example, a transmission path of 64 kbps, it is necessary to compress a large amount of image and audio information within a range that does not hinder the operation of the conference.

第３図は、従来の遠隔会議システムの構成例であり、
音声のマンマシンインターフェイスであるマイク１、ス
ピーカ２と、画像のマンマシンインターフェイスである
テレビカメラ３、テレビモニタ４、電子黒板５、ファッ
クス６、テレライティング装置７と、音声データを16kb
psに符号、複号化する音声ユニット８と、後で述べる画
像ユニットを制御する制御ユニット９と、制御ユニット
９への指示を入力する制御パッド10と、制御ユニット９
により指定された画像信号を48kbpsに符号、複号化する
画像ユニット11と、64kbpsの伝送路12を介してこれら音
声画像信号の送信および受信を行う伝送ユニット13より
構成されている。FIG. 3 is a configuration example of a conventional remote conference system,
A microphone 1 and a speaker 2 which are man-machine interfaces for voice, a TV camera 3, a TV monitor 4, an electronic blackboard 5, a fax 6 and a telewriting device 7 which are man-machine interfaces for images and voice data of 16 kb
An audio unit 8 for coding and decoding ps, a control unit 9 for controlling an image unit described later, a control pad 10 for inputting an instruction to the control unit 9, and a control unit 9
It is composed of an image unit 11 for encoding and decoding the image signal designated by the above at 48 kbps, and a transmission unit 13 for transmitting and receiving these audio image signals via a transmission path 12 of 64 kbps.

このような低伝送速度の伝送路を使用する遠隔会議シ
ステムにおいてはモノラル音声でさえ、たとえばADPCM
等の音声データ圧縮処理により、16kbps等の低伝送容量
に圧縮する必要があり、したがって通常ステレオ音声は
用いられていない。In a teleconferencing system that uses such a low-speed transmission line, even monaural audio, for example, ADPCM
It is necessary to compress to a low transmission capacity such as 16 kbps by audio data compression processing such as, and therefore, stereo audio is not usually used.

一方、遠隔会議システムにおいては、相手方の誰が話
しているかを知る話者識別のためにも、ステレオ音声の
採用が望ましいことはよく知られている。On the other hand, it is well known that in a teleconferencing system, it is desirable to use stereo voice for the purpose of identifying the speaker who knows who is speaking.

さて、このような長所を持つステレオ音声を、前述の
ような低伝送速度の伝送路を使用する遠隔会議システム
に導入しようとしたとき、従来のステレオ音声伝送方式
によれば、第４図のようなステレオ音声伝送システムが
必要となる。Now, when trying to introduce the stereo audio having such an advantage into the remote conference system using the transmission line of the low transmission speed as described above, according to the conventional stereo audio transmission system, as shown in FIG. A stereo audio transmission system is required.

すなわち端末Ａ側には２つのマイクロホン14−１、14
−２および２つのスピーカ15−１、15−２が配置され、
同様に、端末Ｂ側には２つのマイクロホン14−３、14−
４および２つのスピーカ15−３、15−４が配置され、端
末Ａ側および端末Ｂ側のマイクロホン14−１〜14−４と
スピーカ15−１〜15−４とが接続されている。That is, two microphones 14-1 and 14 are provided on the terminal A side.
-2 and two speakers 15-1 and 15-2 are arranged,
Similarly, two microphones 14-3 and 14- are provided on the terminal B side.
Four and two speakers 15-3 and 15-4 are arranged, and the microphones 14-1 to 14-4 on the terminal A side and the terminal B side are connected to the speakers 15-1 to 15-4.

なお、同図において符号A1〜A4およびB1〜B4は話者
（もしくは聴者）を表わし、符号16は符号化回路を、符
号17は複号化回路を表わす。In the figure, reference numerals A1 to A4 and B1 to B4 represent speakers (or listeners), reference numeral 16 represents an encoding circuit, and reference numeral 17 represents a decoding circuit.

しかしながらこのステレオ音声伝送システムでは、モ
ノラル時の２倍の伝送容量が必要となる。However, this stereo audio transmission system requires twice as much transmission capacity as in monaural.

したがって、従来手法で低伝送速度、たとえば64kbps
の伝送路を使用する遠隔会議システムにステレオ音声を
導入する方法としては、 （イ）音声の１チャンネルの伝送情報量を8kbpsに圧縮
する方法 （ロ）画像の伝送情報量を48kbpsから32kbpsに減らす方
法 等が考えられる。Therefore, with conventional methods, a low transmission rate, for example 64 kbps, is used.
As a method of introducing stereo audio into the remote conference system using the transmission line of (1), the transmission information amount of one channel of audio is compressed to 8 kbps. (B) The transmission information amount of image is reduced from 48 kbps to 32 kbps. Methods etc. are possible.

しかし、（イ）は音声品質が劣化し、（ロ）は画像品
質の劣化ないしサービスの低下をきたすという問題があ
る。However, (a) has a problem that the voice quality is deteriorated, and (b) has a problem that the image quality is deteriorated or the service is deteriorated.

以上のように、従来のステレオ音声伝送方式では、低
伝送速度の伝送路を使用した遠隔会議システムにステレ
オ音声を導入することは大変困難であった。As described above, in the conventional stereo audio transmission system, it was very difficult to introduce stereo audio into the remote conference system using the low transmission speed transmission path.

［発明の目的］ 本発明は上記事情に対処してなされ、低伝送速度の伝
送路においても話者識別の容易な音声伝送方式を提供す
ることを目的とする。[Object of the Invention] The present invention has been made in view of the above circumstances, and an object of the present invention is to provide a voice transmission system in which a speaker can be easily identified even in a transmission line having a low transmission rate.

［発明の概要］ 本発明は音声伝送方式において、複数の話者に対応し
て１対１に配置された指向性マイクロホンにより吸音さ
れた音声信号により生成されたモノラルの音声情報とこ
の音声情報に付加された制御情報とを有するフレーム情
報を受信する受信手段と、 前記受信手段により受信された前記フレーム情報から
前記音声情報と前記制御情報とを分離する分離手段と、 前記分離手段により分離された前記音声情報を増幅し
前記指向性マイクロホンの数よりも少ない数で複数配置
されたスピーカ側へ分岐させて供給する手段と、 前記分離手段により分離された前記制御情報を基に各
スピーカから出力すべき前記音声情報の利得差または位
相差の少なくともいずれか一方を設定する設定手段と、 前記設定手段により設定された前記利得差または位相
差の少なくともいずれか一方をもって、分岐した音声情
報をそれぞれのスピーカから出力させるよう制御する制
御手段とを具備しており、低伝送速度の伝送路において
も話者識別を容易とした。[Summary of the Invention] The present invention relates to a monaural voice information generated by a voice signal absorbed by a directional microphone arranged in a one-to-one correspondence with a plurality of speakers and the voice information in the voice transmission system. Receiving means for receiving frame information having added control information, separating means for separating the voice information and the control information from the frame information received by the receiving means, and separating means by the separating means A unit for amplifying the voice information and branching and supplying the amplified voice information to a plurality of speakers arranged in a number smaller than the number of the directional microphones; and outputting from each speaker based on the control information separated by the separating unit. Setting means for setting at least one of a gain difference and a phase difference of the audio information to be reproduced, and the gain difference set by the setting means. Others with a at least one of a phase difference, and and control means for controlling so as to output the branched audio information from each of the speakers was facilitated also speaker identification in a transmission path of the low transmission speed.

［発明の実施例］ 以下、本発明の音声伝送方式を実施する音声伝送シス
テムを図面を参照しながら説明する。BEST MODE FOR CARRYING OUT THE INVENTION Hereinafter, a voice transmission system for implementing the voice transmission system of the present invention will be described with reference to the drawings.

なお、以下の説明では、説明を簡略化するため伝送方
向は片方向のみを示す。また通常の会議においては、一
方の会議場の複数話者が同時に話すことはまれであると
考えられる。このため以下の実施例では、会議の大部分
を占める単独発言を伝送する場合のみを説明する。In the following description, only one direction of transmission is shown for the sake of simplicity. Moreover, in a normal conference, it is rare that multiple speakers in one conference hall speak at the same time. Therefore, in the following embodiments, only the case of transmitting a single message that occupies most of the conference will be described.

第１図はこの音声伝送システムの送信部の構成を示す
ブロック図であり、テーブル20の前に話者Ａ〜Ｅがすわ
っている。FIG. 1 is a block diagram showing a configuration of a transmission unit of this voice transmission system, in which speakers A to E are sitting in front of a table 20.

この送信部は、テーブル20の上には各話者Ａ〜Ｅに１
対１に対応して配置された指向性のマイクロ21a〜21e
と、このマイク21a〜21eにそれぞれ接続されたアンプ22
a〜22eと、このアンプ22a〜22eの出力がそれぞれ入力さ
れ各アンプ22a〜22eの出力レベルが検出されるレベル検
出回路23a〜23eと、アンプ22a〜22eの出力信号をすべて
加算して出力する加算器24と、各レベル検出回路23a〜2
3eの出力より最大のレベル値を有するレベル検出回路を
識別しその結果を付加情報として出力する最大値検出回
路25と、加算器24から出力される音声信号をたとえば16
kbps程度のAPCAB信号化音声信号に変換しこれを主情報
として出力するコーダ27と、コーダ27から送られる主情
報と最大値検出回路25から送られる付加情報をフレーム
化し伝送路（図示せず）を介して受信側に送るフレーム
生成回路26とより構成されている。This transmitter has one for each speaker A to E on the table 20.
Directional micros 21a to 21e arranged corresponding to pair 1
And an amplifier 22 connected to each of the microphones 21a-21e.
a to 22e and the output signals of the amplifiers 22a to 22e are respectively input and the level detection circuits 23a to 23e in which the output levels of the amplifiers 22a to 22e are detected and the output signals of the amplifiers 22a to 22e are all added and output. Adder 24 and level detection circuits 23a-2
The maximum value detection circuit 25 that identifies the level detection circuit having the maximum level value from the output of 3e and outputs the result as additional information, and the audio signal output from the adder 24 is, for example, 16
A coder 27 that converts into an APCAB signalized voice signal of about kbps and outputs this as main information, and main information sent from the coder 27 and additional information sent from the maximum value detection circuit 25 are framed and a transmission line (not shown) It is composed of a frame generation circuit 26 which is sent to the receiving side via.

第２図は受信部の構成ブロック図である。 FIG. 2 is a configuration block diagram of the receiving unit.

この受信部は、伝送路より入力されたフレーム情報を
主情報と付加情報に分離するフレーム分解回路30と、主
情報よりアナログ音声信号を再生するデコーダ31と、こ
のアナログ音声信号を増幅するアンプ32と、送信側のマ
イク位置に対応した遅延パラメータが格納された遅延テ
ーブル33と、この遅延テーブル33から付加情報に対応し
た遅延パラメータを選択する遅延選択回路34と、この選
択された遅延パラメータにより左右チャンネルの音声信
号に位相差を生じさせる遅延回路35r、35lと、この位相
差の生じた音声信号を再生するスピーカ36r、36lとより
構成されている。The receiving unit includes a frame decomposing circuit 30 that separates the frame information input from the transmission path into main information and additional information, a decoder 31 that reproduces an analog audio signal from the main information, and an amplifier 32 that amplifies this analog audio signal. , A delay table 33 in which delay parameters corresponding to the microphone position on the transmitting side are stored, a delay selection circuit 34 for selecting a delay parameter corresponding to additional information from the delay table 33, and a left / right depending on the selected delay parameter. It is composed of delay circuits 35r and 35l for causing a phase difference between the channel audio signals and speakers 36r and 36l for reproducing the audio signal with the phase difference.

次にこの音声伝送システムの動作について説明する。 Next, the operation of this voice transmission system will be described.

送信側の話者Ｂが発言したとすると、話者Ｂの発言は
マイク21bにより音声信号に返還されアンプ22bで増幅さ
れ、加算器24およびレベル検出回路23bに入力される。
このときその他のレベル検出回路23a、23c、23d、23eに
入力される信号はほとんどないので最大値検出回路25は
レベル検出回路23a〜23eの出力信号を比較しレベル検出
回路23bの出力信号が最も大きいことを識別しこの識別
結果を付加情報としてフレーム生成回路26に供給する。If the speaker B on the transmitting side speaks, the speech of the speaker B is returned to the voice signal by the microphone 21b, amplified by the amplifier 22b, and input to the adder 24 and the level detection circuit 23b.
At this time, since almost no signals are input to the other level detection circuits 23a, 23c, 23d, and 23e, the maximum value detection circuit 25 compares the output signals of the level detection circuits 23a to 23e, and the output signal of the level detection circuit 23b is the highest. It is determined that it is large, and the identification result is supplied to the frame generation circuit 26 as additional information.

またアンプ22bから出力される音声信号は加算器24を
経てコーダ27で、たとえばAPCAB符号化音声信号に変換
され、主情報としてフレーム生成回路26に供給される。
フレーム生成回路26はコーダ27から出力される話者の発
言内容を表わす音声信号としての主情報と、最大値検出
回路25から出力される話者Ｂを表わす識別信号としての
付加情報をフレーム化して受信側に送る。The audio signal output from the amplifier 22b is converted into, for example, an APCAB encoded audio signal by the coder 27 via the adder 24 and is supplied to the frame generation circuit 26 as main information.
The frame generation circuit 26 frame-frames the main information, which is output from the coder 27, as a voice signal indicating the utterance content of the speaker, and the additional information, which is output from the maximum value detection circuit 25, as an identification signal indicating the speaker B. Send to receiver.

受信側では、フレーム分解回路30においてフレーム情
報から主情報と付加情報を分離し、主情報はデコーダ31
によりアナログ音声信号に変換され、アンプ32により増
幅される。一方遅延選択回路34は付加情報によって示さ
れたレベルの最も高いマイクに応じた位相差パラメータ
を遅延テーブル33より選択する。この位相差は再生時に
あたかも話者Ｂの位置から発言されたようなステレオ効
果を生じさせるものである。この位相差パラメータによ
り遅延回路35r、35lの遅延量を設定し、スピーカ36r、3
6lより疑似ステレオ音声として再生する。On the receiving side, the frame decomposition circuit 30 separates the main information and the additional information from the frame information, and the main information is the decoder 31.
Is converted into an analog audio signal by the amplifier 32 and amplified by the amplifier 32. On the other hand, the delay selection circuit 34 selects from the delay table 33 the phase difference parameter corresponding to the microphone having the highest level indicated by the additional information. This phase difference causes a stereo effect as if the speaker B were speaking at the time of reproduction. This phase difference parameter sets the delay amount of the delay circuits 35r and 35l, and the speaker 36r and 3l
Play as pseudo stereo sound from 6l.

次に発言者が話者Ｂから話者Ｅに代わると、同様の動
作により話者Ｅの発言内容が疑似ステレオ音声出力され
る。Next, when the speaker changes from the speaker B to the speaker E, the utterance content of the speaker E is output as a pseudo stereo sound by the same operation.

したがって受信側では送信側の話者に対応した位相差
をもって音声が出力されるので、話者識別が可能とな
る。Therefore, since the receiving side outputs the voice with a phase difference corresponding to the speaker on the transmitting side, the speaker can be identified.

このようにこの音声伝送システムによれば、複数の話
者のうちいずれかの人が発言すると検出回路によってそ
の発言者に対応したマイクロホンの出力が最も高いこと
が検出され、この最も出力レベルの高いマイクロホンに
関する情報と、マイクロホンの音声出力信号とが送信回
路からフレーム情報として送出される。Thus, according to this voice transmission system, when any one of the plurality of speakers speaks, the detection circuit detects that the output of the microphone corresponding to the speaker is the highest, and the output level is the highest. Information about the microphone and the audio output signal of the microphone are sent from the transmitting circuit as frame information.

受信側では音声信号と最もレベルの高いマイクロホン
に関する情報とを分離し、音声信号はアナログ信号に変
換される。最もレベルの高いマイクロホンに関する情報
により、遅延選択回路がそのマイクロホンに対応する位
相差をもって音声信号が出力されるように遅延回路を制
御するので、左右スピーカより送信側の話者に対応した
位相差をもって出力される。On the receiving side, the voice signal and the information regarding the microphone with the highest level are separated, and the voice signal is converted into an analog signal. Depending on the information about the microphone with the highest level, the delay selection circuit controls the delay circuit so that the audio signal is output with the phase difference corresponding to that microphone, so there is a phase difference corresponding to the speaker on the transmitting side from the left and right speakers. Is output.

なお、この音声伝送システムでは音声信号をAPCAB符
号化方式でデジタル化したが、デジタル化の手法はこの
方式に限定されるものではないことは無論のことであ
る。In this voice transmission system, the voice signal is digitized by the APCAB encoding method, but it goes without saying that the digitizing method is not limited to this method.

さらに、この音声伝送システムでは受信側のスピーカ
は２個としたが、３個以上とすることも可能である。Further, although the number of speakers on the receiving side is two in this voice transmission system, the number of speakers may be three or more.

またこの実施例では受信側は音声信号に位相差のみを
もたせたが、これ以外にも左右チャンネルの利得を変え
て話者識別をすることも可能である。Further, in this embodiment, the receiving side gives only the phase difference to the voice signal, but it is also possible to change the gains of the left and right channels to identify the speaker.

［発明の効果］ 以上説明したように本発明によれば、低伝送速度の伝
送路においても話者識別が容易となる。[Effects of the Invention] As described above, according to the present invention, speaker identification is facilitated even in a low-speed transmission path.

【図面の簡単な説明】[Brief description of drawings]

第１図は本発明の一実施例に係る音声伝送方式を実施す
る音声伝送システムの送信部の構成図、第２図は同シス
テムの受信部の構成図、第３図は従来の遠隔会議システ
ムの構成図、第４図は従来のステレオ音声伝送システム
の構成図である。 21a〜21e……マイクロホン 22a〜22e……アンプ 23a〜23e……レベル検出回路 24……加算器 25……最大値検出回路 26……フレーム生成回路 27……コーダ 30……フレーム分解回路 31……デコーダ 32……アンプ 33……遅延テーブル 34……遅延選択回路 35r、35l……遅延回路 35r、35l……スピーカFIG. 1 is a block diagram of a transmitter of a voice transmission system for implementing a voice transmission system according to an embodiment of the present invention, FIG. 2 is a block diagram of a receiver of the system, and FIG. 3 is a conventional teleconference system. FIG. 4 is a block diagram of a conventional stereo audio transmission system. 21a-21e …… Microphone 22a-22e …… Amplifier 23a-23e …… Level detection circuit 24 …… Adder 25 …… Maximum value detection circuit 26 …… Frame generation circuit 27 …… Corder 30 …… Frame decomposition circuit 31… … Decoder 32 …… Amplifier 33 …… Delay table 34 …… Delay selection circuit 35r, 35l …… Delay circuit 35r, 35l …… Speaker

Claims (1)

【特許請求の範囲】[Claims] 【請求項１】複数の話者に対応して１対１に配置された
指向性マイクロホンにより吸音された音声信号により生
成されたモノラルの音声情報とこの音声情報に付加され
た制御情報とを有するフレーム情報を受信する受信手段
と、 前記受信手段により受信された前記フレーム情報から前
記音声情報と前記制御情報とを分離する分離手段と、 前記分離手段により分離された前記音声情報を増幅し前
記指向性マイクロホンの数よりも少ない数で複数配置さ
れたスピーカ側へ分岐させて供給する手段と、 前記分離手段により分離された前記制御情報を基に各ス
ピーカから出力すべき前記音声情報の利得差または位相
差の少なくともいずれか一方を設定する設定手段と、 前記設定手段により設定された前記利得差または位相差
の少なくともいずれか一方をもって、分岐した音声情報
をそれぞれのスピーカから出力させるよう制御する制御
手段と を具備したことを特徴とする音声伝送方式。1. Monaural voice information generated by a voice signal absorbed by a directional microphone arranged in a one-to-one correspondence with a plurality of speakers and control information added to the voice information. Receiving means for receiving frame information; separating means for separating the audio information and the control information from the frame information received by the receiving means; and amplifying the audio information separated by the separating means for directing Means for branching and supplying to a plurality of speakers arranged in a number smaller than the number of the characteristic microphones, and a gain difference of the audio information to be output from each speaker based on the control information separated by the separating means, or Setting means for setting at least one of the phase differences, and at least one of the gain difference or the phase difference set by the setting means. And a control means for controlling the branched audio information to be output from each speaker.