WO2016009654A1 - 雑音抑圧システムと雑音抑圧方法及びプログラムを格納した記録媒体 - Google Patents

雑音抑圧システムと雑音抑圧方法及びプログラムを格納した記録媒体 Download PDF

Info

Publication number
WO2016009654A1
WO2016009654A1 PCT/JP2015/003604 JP2015003604W WO2016009654A1 WO 2016009654 A1 WO2016009654 A1 WO 2016009654A1 JP 2015003604 W JP2015003604 W JP 2015003604W WO 2016009654 A1 WO2016009654 A1 WO 2016009654A1
Authority
WO
WIPO (PCT)
Prior art keywords
noise
signal
ratio
prior
model
Prior art date
Application number
PCT/JP2015/003604
Other languages
English (en)
French (fr)
Inventor
剛範 辻川
亮輔 磯谷
Original Assignee
日本電気株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社 filed Critical 日本電気株式会社
Priority to US15/325,476 priority Critical patent/US10748551B2/en
Priority to JP2016534288A priority patent/JP6696424B2/ja
Publication of WO2016009654A1 publication Critical patent/WO2016009654A1/ja

Links

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
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • G10L21/0216—Noise filtering characterised by the method used for estimating noise
    • G10L21/0232—Processing in the frequency domain

Definitions

  • the present invention relates to a noise suppression technique, and more particularly, to a noise suppression system, a noise suppression method, and a program suitable for a system or application for extracting a desired signal by suppressing a noise component included in an input signal.
  • Patent Document 1 obtains temporary estimated speech by suppressing noise included in the input speech signal, and corrects the temporary estimated speech using a standard pattern of speech without missing speech information.
  • a configuration that can remove a noise component with high accuracy is disclosed.
  • the probability distribution of the temporary estimated speech obtained by the expected value calculation process using the probability that the probability distribution constituting the standard pattern outputs the temporary estimated speech and the average value of the probability distribution constituting the standard pattern.
  • the expected value is used as a correction value for provisional estimated speech.
  • Patent Document 2 discloses a method for removing noise.
  • the noise removal method first obtains a first signal-to-noise ratio for each frequency, obtains a weight for each frequency based on the first signal-to-noise ratio, and obtains a weight for each frequency by weighting the frequency domain signal.
  • the estimated noise for each frequency is obtained based on the weighted frequency domain signal.
  • the noise removal method obtains a second signal-to-noise ratio based on the frequency domain signal and the estimated noise for each frequency, determines a suppression coefficient based on the second signal-to-noise ratio, and determines the suppression coefficient in the frequency domain. Weight the signal.
  • the present invention was devised in view of the above-described problems, and its purpose is to improve the accuracy of noise suppression even when the noise level fluctuates with respect to an input signal in which noise is mixed in a desired signal. It is an object of the present invention to provide a technique for avoiding a decrease and suppressing a noise component with high accuracy.
  • a noise suppression system is provided with the following configuration.
  • the noise suppression system is based on a prior signal-to-noise ratio model or a signal model and a noise model for an estimated value of a signal-to-noise prior signal-to-noise ratio (Signal to Noise ratio) estimated from an input signal mixed with a signal and noise.
  • a prior SN ratio estimation / expectation value calculation unit that performs correction and obtains an expected SN ratio value.
  • the noise suppression system includes a noise suppression coefficient calculation unit that calculates a noise suppression coefficient using the expected value of the prior S / N ratio, and multiplies the input signal by the noise suppression coefficient to reduce noise included in the input signal. It has a noise suppression unit for suppressing.
  • a noise suppression method uses a prior signal-to-noise ratio model or a signal for an estimated value of an prior signal-to-noise ratio related to the signal and the noise estimated from an input signal in which the signal and noise are mixed. Based on the model and the noise model, correction is performed to obtain the expected value of the prior S / N ratio. Further, the noise suppression method calculates a noise suppression coefficient using the expected value of the prior S / N ratio, and multiplies the input signal by the noise suppression coefficient, thereby suppressing a noise component included in the input signal. .
  • a program for causing a computer to execute the following processing is provided.
  • the processing is performed by correcting the estimated value of the prior signal-to-noise ratio related to the signal and the noise estimated from the input signal mixed with the signal and the noise based on the prior signal-to-noise ratio model or the signal model and the noise model.
  • This is a process of acquiring the expected value of the prior SN ratio.
  • the processing includes a process of calculating a noise suppression coefficient using the expected value of the prior S / N ratio, and a noise component included in the input signal is suppressed by multiplying the input signal by the noise suppression coefficient. It is processing to do.
  • a computer-readable recording medium non-transitorytranscomputer readable recording medium
  • the present invention it is possible to avoid a reduction in noise suppression accuracy and to suppress noise components with high accuracy even when the magnitude of noise fluctuates with respect to an input signal in which noise is mixed in a desired signal.
  • FIG. 12 is a diagram schematically illustrating a basic concept common to the embodiments.
  • a noise suppression system (10) according to an aspect of the present invention includes a prior SN ratio estimation / expectation value calculation unit (11), a noise suppression coefficient calculation unit (12), and a noise suppression unit (13).
  • the prior signal-to-noise ratio estimation / expected value calculation unit (11) corrects the signal-to-noise signal-to-noise ratio estimated value (prior signal-to-noise ratio estimated value) estimated from the input signal in which the signal and noise are mixed, and An expected value (R snE ) is acquired. The correction is based on a prior signal-to-noise ratio model or a signal model and a noise model.
  • the noise suppression coefficient calculation unit (12) calculates the noise suppression coefficient (W o ) using the expected value of the prior S / N ratio (R snE ). Further, the noise suppression unit (13) suppresses a noise component included in the input signal by multiplying the input signal by a noise suppression coefficient (W o ), and outputs an estimated value of the signal. You may make it implement
  • the noise suppression system (100 in FIG. 1) includes a first prior SN ratio estimation unit (101 in FIG. 1), a storage unit (105 in FIG. 1), a prior SN ratio. Expected value calculation unit (102 in FIG. 1).
  • the first prior signal-to-noise ratio estimation unit (101) receives an input signal mixed with a signal and noise, estimates the signal and noise from the input signal, and estimates the prior signal-to-noise ratio related to the estimated signal and noise.
  • the storage unit (105) stores a pre-SNR model (M sn ) prepared in advance.
  • the expected value calculation unit (102) of the prior SN ratio corrects the prior SN ratio estimated by the first prior SN ratio estimation unit (101) using the prior SN ratio model stored in the storage unit (105). Thus, the expected value (R snE ) of the prior SN ratio is calculated.
  • the noise suppression coefficient calculation unit (103 in FIG. 1) calculates the noise suppression coefficient (W o ) using the expected value (R snE ) of the prior S / N ratio.
  • the noise suppression unit (104 in FIG. 1) multiplies the input signal by a noise suppression coefficient (W o ) to suppress a noise component included in the input signal, and outputs an estimated value of the signal.
  • the first prior SN ratio estimation unit (101), the storage unit (105), and the prior SN ratio expected value calculation unit (102) are the prior SN ratio estimation / expectation value calculation unit (11) of FIG. Corresponding to
  • a prior S / N ratio model may be estimated using a speech model prepared in advance and a noise model prepared in advance instead of a pre-prepared S / N ratio model.
  • the noise suppression system includes a first speech and first noise estimation unit (305 in FIG. 6), a storage unit (307 in FIG. 6), a storage unit (308 in FIG. 6), An advance SN ratio expected value calculation unit (306 in FIG. 6) is provided.
  • the first speech and first noise estimation unit (305) receives an input signal in which a signal and noise are mixed, and estimates the signal and noise from the input signal.
  • the storage unit (307) stores a voice model (M s ) prepared in advance.
  • the storage unit (308) stores a noise model (M n ) prepared in advance.
  • the expected value calculation unit (306) of the prior S / N ratio receives the first speech and the signal and noise estimated by the first noise estimation unit (305), and stores the prior SNR with respect to the noise of the signal. Correction is performed using the speech model and noise model respectively stored in the units (307, 308), and an expected value (R snE ) of the prior S / N ratio is calculated.
  • the noise suppression coefficient calculation unit (303 in FIG. 6) calculates the noise suppression coefficient (W o ) using the expected value (R snE ) of the prior S / N ratio.
  • the first speech and first noise estimation unit (305), the storage units (307, 308), and the prior SN ratio expected value calculation unit (306) perform the prior SN ratio estimation / expectation in FIG. This corresponds to the value calculation unit (11).
  • the noise suppression system (400 in FIG. 9) receives an input signal mixed with a signal and noise, and estimates the signal and noise from the input signal. And a first noise estimation unit (405 in FIG. 9) and a storage unit (407 in FIG. 9) for storing a speech model prepared in advance. Furthermore, the noise suppression system (400) includes an expected value calculation unit (406 in FIG. 9) of the prior S / N ratio. The expected value calculation unit (406) of the prior signal-to-noise ratio inputs the first speech and the signal and noise estimated by the first noise estimation unit (405 in FIG. 9), and a noise model (M n ), and the signal to noise ratio (pre-SNR) is corrected using the speech model and the noise model.
  • the expected value calculation unit (406) of the prior signal-to-noise ratio inputs the first speech and the signal and noise estimated by the first noise estimation unit (405 in FIG. 9), and a noise model (M n ), and the signal to noise ratio (pre-SNR) is corrected using the speech model
  • the expected value calculation unit (406) of the prior SN ratio calculates the expected value (R snE ) of the prior SN ratio.
  • the noise suppression coefficient calculation unit (403 in FIG. 9) calculates the noise suppression coefficient using the expected value of the prior S / N ratio.
  • the noise suppression unit (404 in FIG. 9) may be configured to suppress the noise component included in the input signal by multiplying the input signal by the noise suppression coefficient and output an estimated value of the signal.
  • the first speech and first noise estimation unit (405), storage unit (407), and prior SN ratio expected value calculation unit (406) perform prior SN ratio estimation / expected value calculation in FIG. Corresponds to part (11).
  • FIG. 1 is a diagram illustrating a configuration of a noise suppression system 100 according to the first embodiment.
  • the noise suppression system 100 includes a first prior S / N ratio estimation unit 101, an expected S / N ratio expected value calculation unit 102, a noise suppression coefficient calculation unit 103, a noise suppression unit 104, And a storage unit 105 that stores an S / N ratio model (M sn ).
  • the prior SN ratio and ex-post SN ratio are defined separately as follows.
  • Prior signal to noise ratio desired signal power / noise power
  • a posteriori signal-to-noise ratio (mixed signal power of desired signal and noise) / noise power
  • the first prior signal-to-noise ratio estimation unit 101 receives an input signal X 0 in which a desired signal and noise are mixed.
  • the first pre SN ratio estimation portion 101 estimates the ratio (pre SN ratio) R sn1 of the desired signal power and the noise power contained in the input signal X 0, and outputs the pre-SN ratio R sn1 estimated.
  • the input signal X 0 is the frequency spectrum (frequency-amplitude spectrum, frequency power spectrum, etc.) of the mixed signal desired signal and noise are mixed is, the discrete Fourier transform of the signal in the time domain (Discrete Fourier Transform: DFT) or the like Is converted into a frequency domain signal (a complex signal including a real part and an imaginary part). The same applies to the input signal X 0, denoted in the subsequent embodiments.
  • DFT discrete Fourier Transform
  • the prior SN ratio expected value calculation unit 102 receives the prior SN ratio R sn1 output from the first prior SN ratio estimation unit 101 and the prior SN ratio model M sn stored in the storage unit 105 in advance. To do.
  • the prior S / N ratio model M sn includes a pattern of a prior S / N ratio.
  • the expected value calculation unit 102 of the prior SN ratio compares the prior SN ratio R sn1 and the prior SN ratio model M sn, and calculates a value obtained by correcting the prior SN ratio R sn1 by the prior SN ratio model M sn .
  • the ratio is output as an expected value R snE .
  • the noise suppression coefficient calculation unit 103 receives the expected value R snE of the prior SN ratio output from the expected value calculation unit 102 of the prior SN ratio.
  • the noise suppression coefficient calculation unit 103 calculates the noise suppression coefficient W 0 using the expected value R snE of the prior S / N ratio, and outputs the noise suppression coefficient W 0 .
  • the noise suppression unit 104 receives the noise suppression coefficient W 0 output from the noise suppression coefficient calculation unit 103 and the input signal X 0 as inputs.
  • the noise suppression unit 104 by multiplying the noise suppression coefficient W 0 to the input signal X 0, suppresses a noise component included in the input signal X 0, and outputs the estimated value S 0 of the desired signal.
  • the first prior SN ratio estimation unit 101, the prior SN ratio expected value calculation unit 102, the noise suppression coefficient calculation unit 103, the noise suppression unit 104, and the storage unit 105 are integrated into a single unit. You may mount in the apparatus. Or you may comprise as a distributed system in which each is mutually connected via communication means, such as a network. Further, at least some of the processes and functions of the first prior SN ratio estimation unit 101, the prior SN ratio expected value calculation unit 102, and the noise suppression coefficient calculation unit 103 are realized by a program executed on a computer. You may do it. Further, at least a part of the processing and functions of the noise suppression unit 104 and the storage unit 105 (reading control and writing control) may be realized by a program executed on a computer. The same applies to other embodiments.
  • the prior S / N ratio R sn1 is corrected by the prior S / N ratio model M sn that takes into account fluctuations in noise magnitude.
  • the noise suppression coefficient W 0 calculated using the expected value R snE of the prior S / N ratio, it is possible to obtain high accuracy even if the noise level fluctuates without removing a desired signal component. Noise components can be suppressed.
  • FIG. 5 is a flowchart showing processing of the noise suppression system of the second embodiment.
  • FIG. 2 is a diagram illustrating the configuration of the noise suppression system 200 according to the second embodiment.
  • the noise suppression system 200 according to the second embodiment acquires (extracts) a desired signal from a mixed signal in which a desired signal and noise are mixed.
  • a desired signal is described as an audio signal, but the desired signal is not limited to an audio signal.
  • the noise suppression system 200 includes a first prior S / N ratio estimation unit 201, a prior S / N expected value calculation unit 202, a noise suppression coefficient calculation unit 203, a noise suppression unit 204, a prior S / N ratio model (pre-S / N ratio).
  • the storage unit 205 stores and holds M sn in advance.
  • the first prior signal-to-noise ratio estimation unit 201 receives an input signal X 0 in which a desired signal and noise are mixed. Then, the first prior SN ratio estimation unit 201 estimates a desired signal power to noise power ratio (preliminary SN ratio) R sn1 included in the input signal X 0 and outputs the estimated R sn1 .
  • a desired signal power to noise power ratio preliminary SN ratio
  • the prior SN ratio expected value calculation unit 202 receives the prior SN ratio R sn1 output from the first prior SN ratio estimation unit 201 and the prior SN ratio model M sn stored in the storage unit 205 in advance. To do.
  • the expected value calculation unit 202 of the prior SN ratio compares the estimated prior SN ratio R sn1 with the prior SN ratio model M sn, and the expected value R of the prior SN ratio of the value corrected by the prior SN ratio model M sn. Output snE .
  • the noise suppression coefficient calculation unit 203 receives the output R snE of the expected SNR expected value calculation unit 202 as an input.
  • the noise suppression coefficient W 0 is calculated using the expected value R snE of the prior SN ratio, and W 0 is output.
  • the noise suppression unit 204 receives the noise suppression coefficient W 0 output from the noise suppression coefficient calculation unit 203 and the input signal X 0 as inputs.
  • the noise suppression section 204 by multiplying the noise suppression coefficient W 0 to the input signal X 0, suppresses a noise component included in the input signal, and outputs the estimated value S 0 of the desired signal.
  • X 0 (f, t) is a frequency spectrum (frequency amplitude spectrum, frequency power spectrum, etc.) of a mixed signal in which a desired signal and noise are mixed.
  • a time domain signal is converted to a frequency domain signal by, for example, Discrete Fourier Transform (DFT) (a complex signal including a real part and an imaginary part).
  • DFT Discrete Fourier Transform
  • a power component is obtained by the square calculation of the component.
  • f is a frequency index (frequency index is, for example, a DC (direct current) component (index: 0) to Nyquist frequency)
  • t is an index of time (discrete time).
  • X 0 , S, and N at the time index t are vectors having components in the frequency direction as elements.
  • S on the right side is the frequency spectrum of the desired audio component.
  • N is the frequency spectrum of the noise component.
  • FIG. 3 is a diagram illustrating the configuration of the first prior S / N ratio estimation unit 201.
  • the first prior SN ratio estimation unit 201 includes a first noise estimation unit 2011, a first speech estimation unit 2012, and a prior SN ratio estimation unit 2013.
  • First noise estimation unit 2011 receives the input signal X 0, estimates a noise component included in the input signal X 0, and outputs a first estimated noise N 1.
  • the first speech estimation unit 2012 receives the input signal X 0 and the first estimated noise N 1 and outputs a first estimated speech S 1 .
  • the first noise estimation unit 2011 estimates a noise component included in the input signal X 0 and outputs a first estimated noise N 1 .
  • NE [] is a noise estimation operator (noise estimator).
  • a noise estimation operator noise estimator
  • a known method such as minimum statistics or weighted noise estimation is used. Can be used.
  • the right side of Equation 2 is calculated for each component of the vector X 0 by the noise estimation operator NE [] and output corresponding to the component of the vector X 0 .
  • First speech estimation unit In the first speech estimation unit 2012, by suppressing the noise component included in the input signal X 0, estimates the speech component contained in the input signal X 0, to output a first estimate speech S 1.
  • NS [] is a noise suppression operator (Noise Suppressor), and for example, a spectral subtraction (SS) method described in Non-Patent Document 1 can be used.
  • the right side of Expression 3 is calculated for each component of the vector X 0 and the vector N 1 by the noise suppression operator NS [], and is output corresponding to the components of the vector X 0 and the vector N 1 .
  • y i NS [X i , N i ] (y i is the i-th component of the output vector, X i and N i are the vectors X i and N 1 , respectively) I-th component).
  • a Wiener Filter (WF) method an MMSE STSA (Minimum Mean Square Error Short Time Spectral Amplitude) method, an MMSE LSA (Minimum Mean Square Error Log Spectral Amplitude) method, or the like can be used.
  • WF Wiener Filter
  • MMSE STSA Minimum Mean Square Error Short Time Spectral Amplitude
  • MMSE LSA Minimum Mean Square Error Log Spectral Amplitude
  • the vector S 1, is calculated for each component of the vector N 1, vector S 1, is output corresponding to the component of the vector N 1, for example, S 1 / N 1 is (S 12 / N 11 , S 12 / N 11 ,..., S 1n / N 1n ).
  • the prior SN ratio R sn1 is given by the following (formula 5).
  • Equation 5 is calculated for each component of vector X 0 and vector S 1 .
  • the first speech estimation unit 2012 uses the WF method, the MMSE STSA method, or the MMSE LSA method
  • the first speech estimation unit 2012 can obtain the prior S / N ratio.
  • the prior SN ratio estimated by the first speech estimation unit 2012 may be the output of the first prior SN ratio estimation unit 201 (preliminary SN ratio R sn1 ). In this case, the prior SN ratio estimation unit 2013 in FIG. 3 is not necessary.
  • the prior SN ratio R sn1 is, for example, a frequency band B (for example, a mel frequency) in which the indexes f of a plurality of frequencies in (Expression 7) are combined in addition to the value for each frequency index f in (Expression 6) below.
  • the value may be calculated using a value for each (band) or a value obtained by collecting all f in (Expression 8).
  • the prior SN ratio R sn1 at the time index t exists as much as the frequency index f and the number of frequency bands B. Accordingly, the prior S / N ratio R sn1 at t is a vector having elements in the frequency direction as elements.
  • FIG. 4 is a diagram exemplifying the configuration of the expected SN ratio expected value calculation unit 202 of FIG.
  • the expected SN ratio expected value calculation unit 202 includes a feature amount conversion unit 2021, an expected value calculation unit 2022, and a feature amount inverse conversion unit 2023.
  • the feature amount conversion unit 2021 receives the prior SN ratio R sn1 output from the first prior SN ratio estimation unit 201, and outputs the feature amount F sn1 of the prior SN ratio R sn1 .
  • the expected value calculation unit 2022 receives the feature value F sn1 and the previously prepared prior SN ratio model (preliminary SN ratio pattern) M sn and outputs the expected value feature amount F snE of the prior SN ratio.
  • Feature quantity inverse transforming section 2023 inputs the feature quantity F SNE, and outputs the expected value R SNE pre SN ratio.
  • the feature quantity conversion unit 2021 converts the pre SN ratio R sn1 the feature amount F sn1, and outputs the feature amount F sn1.
  • As the feature amount for example, a logarithmic value of (Equation 9) below, or a value obtained by cosine transform (Discrete Cosine Transform (DCT)) as shown in (Equation 10) (cepstrum) Etc. can be used.
  • DCT Discrete Cosine Transform
  • Equation 9 is a natural logarithm. The same applies to the logs shown below. In addition to the natural logarithm, the logarithm can be a common logarithm.
  • the right side of the equation 9 is logarithmically calculated for each component of the vector R sn1, is outputted corresponding to the components of the vector R sn1.
  • C [] is a cosine transform operator (DCT operator).
  • DCT operator cosine transform operator
  • the right side of Expression 10 is cosine transformed for each component of the vector logR sn1 and output corresponding to the component of the vector R sn1 .
  • the logarithmic calculation of Expression 10 is the same as the calculation in Expression 9.
  • the feature amount F sn1 can be calculated for each time index t, but a difference from a feature amount in the past time (eg, t ⁇ 1) may be taken and a primary difference feature amount may be used. Alternatively, the difference may be further calculated and the secondary difference feature amount may be used.
  • the feature amount F sn1 at the time index t is a multidimensional vector because there are the number of cepstrum dimensions, the number of primary difference feature amounts, and the number of secondary difference feature amounts.
  • the expected value calculation unit 2022 receives the feature value F sn1 and the prior SN ratio model M sn stored in advance in the storage unit 205, and outputs an expected value feature amount F snE of the prior SN ratio.
  • the prior signal-to-noise ratio model M sn is described as a mixed Gaussian distribution model (GMM: Gaussian Mixture Model) composed of G Gaussian distributions.
  • GMM Gaussian Mixture Model
  • the prior signal-to-noise ratio model M sn is a mixed Gaussian distribution model in which G (G> 1) Gaussian distributions having an average value ⁇ sn, g and variance ⁇ 2 sn, g are mixed with weights w sn, g .
  • G G> 1
  • Gaussian distributions having an average value ⁇ sn, g and variance ⁇ 2 sn, g are mixed with weights w sn, g .
  • the expected value calculation unit 2022 calculates the feature value F snE of the expected value of the prior SN ratio as a weighted sum of the average values ⁇ sn, g of the prior SN ratio model M sn as shown in the following (Equation 11).
  • F sn1 ) as a weight is a posterior probability for the feature amount F sn1 .
  • F sn1 ) is calculated as shown in (Equation 12), for example.
  • g) is a probability that the Gaussian distribution g of the prior S / N ratio model M sn outputs the feature value F sn1 , and is calculated as in (Expression 13) below.
  • the feature quantity F sn1 and the average value ⁇ sn, g are both D-dimensional column vectors, and the variance ⁇ 2 sn, g is a D ⁇ D matrix.
  • det [] is a determinant operator.
  • T represents transposition, and ⁇ F sn1 ⁇ sn, g ⁇ T is a D-dimensional row vector. Note that the value of D indicating the number of dimensions can be appropriately changed according to the type of the input signal. When an audio signal is included, 10 dimensions or more are desirable.
  • the prior SN ratio model M sn stored and held in advance in the storage unit 105 is expressed using an average value ⁇ sn, g and a variance ⁇ 2 sn, g , and the variance ⁇ 2 sn, g includes a voice. It includes signal fluctuations and noise fluctuations. For this reason, in (Equation 11), the posterior probability P (g
  • the prior S / N ratio model M sn may be created in advance using the feature amount F sn1 for a large amount of input signals.
  • the prior SN ratio model M sn may be learned (created) using, for example, an expectation maximization algorithm.
  • the prior S / N ratio model M sn can be created by combining the speech model M s and the noise model M n . A method of combining the speech model M s and the noise model M n will be described in the next embodiment (see the description of the expected value calculation unit 3062 in FIG. 8).
  • the feature amount inverse conversion unit 2023 converts the feature amount F snE of the expected value of the prior SN ratio and outputs the expected value R snE of the prior SN ratio.
  • the logarithmic value of (Equation 9) is used in the feature amount conversion unit 2021, the inverse transformation is performed according to (Equation 14), and the value obtained by cosine transforming the logarithmic value as shown in (Equation 10) is used. Can be inversely transformed by (Equation 15).
  • exp [] is an exponent operator
  • C ⁇ 1 [] is an inverse cosine transform operator (Inverse Discrete Cosine Transform (IDCT)).
  • IDCT Inverse Discrete Cosine Transform
  • the right side of Expression 14 can be expressed as exp [F snE ] as an exp function, calculated for each component of the vector F snE , and a vector such as (e FsnE1 , e FsnE2 ,..., E FsnEn ).
  • Expression 15 can be expressed as exp [C ⁇ 1 [F snE ]] as an exp function.
  • C ⁇ 1 [F snE ] is calculated for each component of the vector F snE that has been subjected to inverse cosine transform, and is output corresponding to the component of the vector F snE .
  • the exponent calculation of Expression 15 is the same as the calculation in Expression 14.
  • the inverse cosine transform C ⁇ 1 is a linear transform
  • a value C ⁇ 1 [ ⁇ sn, g ] obtained by performing an inverse cosine transform on the average value ⁇ sn, g of the prior SN ratio model M sn is stored in the storage unit 205.
  • the calculation result of the inverse cosine transform is obtained by using the calculation result C ⁇ 1 [ ⁇ sn, g ] of the storage unit 205 in (Expression 16). Is no longer necessary.
  • the noise suppression coefficient calculation unit 203 calculates and outputs the noise suppression coefficient W 0 using the expected value R snE of the prior S / N ratio.
  • the noise suppression coefficient by the Wiener filter method can be calculated as follows using the expected value R snE of the prior S / N ratio.
  • Equation 17 The right side of Equation 17 is calculated for each component of the vector R snE , for example, ⁇ (R snE1 / (1 + R snE1 ), (R snE2 / (1 + R snE2 ),..., (R snEn / (1 + R snEn ))
  • y i x i / (1 + x i )
  • y i is the i-th component of the output vector
  • x i Means the i-th component of the vector R snE ).
  • noise suppression coefficient calculation unit 203 other noise suppression methods such as the MMSE STSA method and the MMSE LSA method may be used for calculating the noise suppression coefficient using the expected value R snE of the prior S / N ratio. It is.
  • the noise suppression coefficient calculation unit 203 the calculation of the noise suppression coefficient, when the noise suppression method using a posteriori SN ratio (desired signal and noise mixed signal and noise ratio) of the input signal X 0 from the first pre-SN
  • the a posteriori SN ratio (X 0 / N 1 ) may be calculated from the first estimated noise N 1 in the ratio estimation unit 201 and used for calculating the noise suppression coefficient.
  • the noise suppressor 204 by multiplying the noise suppression coefficient W 0 to the input signal X 0, suppresses a noise component included in the input signal X 0, and outputs the estimated value S 0 of the desired signal.
  • FIG. 5 is a flowchart for explaining the processing procedure (operation) of the second embodiment described with reference to FIGS. 2 to 4.
  • Step S601 The first prior SN ratio estimation unit 201 estimates a desired signal / noise ratio R sn1 included in the input signal X 0 in which the desired signal and noise are mixed.
  • Step S602 The prior SN ratio expected value calculation unit 202 compares the prior SN ratio R sn1 estimated by the first prior SN ratio estimation unit 201 with the prior SN ratio model M sn of the storage unit 205 to determine the prior SN ratio model. An expected value R snE of the prior S / N ratio that is a value corrected by M sn is calculated.
  • Step S603 The noise suppression coefficient calculation unit 203 calculates the noise suppression coefficient W 0 using the expected value R snE of the prior S / N ratio.
  • Step S604 The noise suppression section 204, by multiplying the noise suppression coefficient W 0 to the input signal X 0, suppresses a noise component included in the input signal to obtain an estimate S 0 of the desired signal.
  • the prior SN ratio R sn1 is corrected by the prior SN ratio model M sn that takes into account fluctuations in the magnitude of noise.
  • the noise suppression coefficient calculated using the expected value R snE of the corrected prior S / N ratio can suppress the noise component with high accuracy even if the noise level fluctuates without removing the desired signal component. it can.
  • FIG. 6, FIG. 7, and FIG. a noise suppression system according to a third embodiment of the present invention will be described with reference to FIG. 6, FIG. 7, and FIG.
  • the first prior signal-to-noise ratio estimation unit 201 in FIG. 2 is replaced by the first speech and first noise estimation unit 305 in FIG.
  • the prior SN ratio expected value calculation unit 202 of FIG. 2 is replaced with the prior SN ratio expected value calculation unit 306 of FIG.
  • the prior S / N ratio model M sn stored and held in the storage unit 205 of FIG.
  • the voice model M s and noise model M n stored and stored in the storage units 307 and 308 in FIG. Different from the second embodiment. Note that in FIG. 6 and the like, the speech model M s and the noise model M n are stored and held in separate storage units for ease of explanation, but the speech model M s and the noise model M n are the same. Of course, it is good also as a structure which memorize
  • the operations of the noise suppression coefficient calculation unit 303 and the noise suppression unit 304 in FIG. 6 are the same as the operations of the noise suppression coefficient calculation unit 203 and the noise suppression unit 204 in FIG.
  • the same parts as those of the second embodiment in FIG. 2 are omitted as appropriate in order to avoid duplication.
  • differences of the present embodiment from the second embodiment will be described. That is, in the following, the first speech and first noise estimation unit 305, the prior SNR expected value calculation unit 306, the speech model M s and the noise model M n will be described.
  • the first speech and first noise estimation unit 305 receives an input signal X 0 in which a desired signal and noise are mixed. Then, an estimated value S 1 of the first desired signal (speech) included in the input signal X 0 and an estimated value N 1 of the first noise are output.
  • Expectation value calculation portion 306 of the pre-SN ratio the estimated values S 1 of the first desired signal output from the estimation unit 305 of the first speech and the first noise (sound), the estimation of the first noise
  • the value N 1 and the speech model (speech pattern) M s stored in advance in the storage unit 307 are input. Further, the expected SN ratio expected value calculation unit 306 receives the noise model (noise pattern) M n stored and stored in the storage unit 308 in advance.
  • the expected SNR expected value calculation unit 306 compares the estimated value S 1 of the desired signal (speech) with the estimated noise value N 1 , the speech model M s, and the noise model M n, and calculates the prior S / N ratio.
  • the expected value R snE is output.
  • FIG. 7 is a diagram illustrating the configuration of the first speech and first noise estimation unit 305.
  • the first speech and first noise estimation unit 305 includes a first noise estimation unit 3051 and a first speech estimation unit 3052.
  • the first noise estimation unit 3051 receives the input signal X 0 and outputs the first estimated noise N 1 .
  • First sound estimation unit 3052 an input signal X 0, the first inputs the estimated noise N 1, and outputs the first estimate speech S 1.
  • the operations of the first noise estimation unit 3051 and the first speech estimation unit 3052 in FIG. 7 are the same as the operations of the first noise estimation unit 2011 and the first speech estimation unit 2012 in FIG. Description is omitted.
  • a first estimated noise N 1 using the input signal X 0 first estimated speech S 1, and re-estimated noise
  • the component N 1 ′ may be used (see the right-hand side denominator of (Equation 5)).
  • FIG. 8 is a diagram illustrating a configuration of the expected value calculation unit 306 for the prior S / N ratio.
  • the prior SN ratio expected value calculation unit 306 includes a feature amount conversion unit 3061s, a feature amount conversion unit 3061n, an expected value calculation unit 3062, and a feature amount inverse conversion unit 3063.
  • Feature transformation unit 3061s has a first estimated speech S 1 as input, and outputs a first estimated feature amount F s1 voice S 1.
  • Feature transformation unit 3061n includes a first estimated noise N 1 as input, and outputs a first estimated noise N 1 feature quantity F n1.
  • the expected value calculation unit 3062 receives the feature value F s1 , the feature value F n1 , the voice model M s prepared in advance, and the noise model M n and outputs the feature value F snE of the expected value of the prior SN ratio. .
  • Feature quantity inverse transforming section 3063 inputs the feature quantity F SNE, and outputs the expected value R SNE pre SN ratio.
  • the operation of the feature amount inverse transform unit 3063 is the same as the operation of the feature amount inverse transform unit 2023 in FIG.
  • Feature transformation unit 3061s has a first estimated speech S 1 as input, and outputs the feature quantity F s1 to convert the first estimated speech S 1 inputted.
  • a logarithmic value of (Equation 19) or a value (cepstrum) obtained by cosine transform (discrete cosine transform) of the logarithmic value as shown in (Equation 20) can be used.
  • Equation 19 Note right side of Equation 19, it should be noted that the right-hand side of Equation 19 is logarithmically calculated for each component of the vector S 1, is outputted corresponding to the components of the vector S 1.
  • Expression 20 is cosine transformed for each component of the vector logS 1 and is output corresponding to the component of the vector S 1 .
  • the logarithmic calculation of Expression 20 is the same as the calculation in Expression 19.
  • Feature transformation unit 3061n includes a first estimated noise N 1 as input, and outputs the feature quantity F n1 to convert the first estimated noise N 1 input.
  • a logarithmic value of (Expression 21) or a value (cepstrum) obtained by cosine transform (discrete cosine transform) of the logarithmic value as shown in (Expression 22) can be used.
  • Expression 22 is cosine transformed for each component of the vector logN 1 and is output corresponding to the component of the vector N 1 .
  • Right side of the equation 20 is cosine transform for each component of the vector logN 1, is outputted corresponding to the components of the vector N 1.
  • the logarithmic calculation of Expression 22 is the same as the calculation in Expression 21.
  • the feature quantities F s1 and F n1 can be calculated for each time index t.
  • a difference from the feature quantity of the past time may be taken, and a primary difference feature quantity may be used. Further, a difference can be taken and a secondary difference feature amount can be used.
  • the feature quantities F s1 and F n1 at the time index t are multidimensional vectors because there exist the number of cepstrum dimensions, the number of primary difference feature quantities, and the number of secondary difference feature quantities.
  • the expected value calculation unit 3062 A feature amount F s1 output from the feature amount conversion unit 3061s; A feature amount F n1 output from the feature amount conversion unit 3061n; A voice model M s stored in the storage unit 307; The noise model M n stored in the storage unit 308, Is input, and the feature value F snE of the expected value of the prior S / N ratio is output.
  • the prior SN ratio is the ratio of S 1 and N 1 as in (Equation 4) to (Equation 8);
  • the feature value is a logarithmic value or linear transformation of the logarithmic value as in (Equation 9) and (Equation 10); and
  • the feature quantity of speech and noise is a logarithmic value as in (Equation 19) to (Equation 22), or a linear transformation of the logarithmic value, .
  • the feature amount F sn1 of the prior SN ratio can be expressed as follows using the feature amounts F s1 and F n1 .
  • the speech model M s is composed of a mixed Gaussian distribution model in which G s Gaussian distributions with mean values ⁇ s, gs and variances ⁇ 2 s, gs are mixed with weights w s, gs. To do.
  • the noise model M n is a mixed Gaussian distribution model in which G n Gaussian distributions having average values ⁇ n, gn and variances ⁇ 2 n, gn are mixed with weights w n, gn .
  • g s and g n is the index of the Gaussian distribution.
  • the speech model M s and the noise model M n may be held in the storage unit (307, 308) instead of the prior S / N ratio model M sn of the second embodiment.
  • this embodiment can reduce a required storage capacity compared to the second embodiment.
  • a + B ⁇ AB is established when the number of models of the speech model M s is A (A> 2) and the number of models of the noise model M n is B (B> 2).
  • the number of models of the speech model M s is 3, and the number of models of the noise model M n is 2, the number of models of the prior S / N ratio model can be configured from these. That is, the number of models stored in the storage unit can be reduced.
  • the noise feature value F n1 is substituted with the average value ⁇ n, gn of the noise model. As a result, it is possible to avoid a situation where the voice is mistaken for noise and suppressed. Whether or not the noise feature amount F n1 is reliable may be determined by comparing the noise feature amount F n1 with the noise model M n .
  • the reliability is high. If it is out of range, the reliability may be low.
  • the expected value of the feature amount of the prior S / N ratio is calculated using the feature amount of the prior S / N ratio and the prior S / N ratio model configured from the speech model and the noise model, and the prior SN ratio is calculated.
  • the noise suppression coefficient is obtained from the expected value of the ratio feature quantity.
  • FIG. 9 A noise suppression system according to a fourth embodiment of the present invention will be described with reference to FIGS.
  • FIG. 9 in the noise suppression system according to the fourth embodiment, The point where the prior SN ratio expected value calculation unit 306 in FIG. 6 is replaced by the prior SN ratio expected value calculation unit 406, FIG.
  • the noise model M n stored and held in advance in the storage unit 308 is unnecessary in FIG. Different from the third embodiment.
  • the first speech and first noise estimation unit 405, noise suppression coefficient calculation unit 403, and noise suppression unit 404 in FIG. 9 are respectively the first speech and first noise estimation unit 305 in FIG.
  • the operation is the same as that of the noise suppression coefficient calculation unit 303 and the noise suppression unit 304.
  • the expected value calculation unit 406 of the prior S / N ratio receives the output values S 1 and N 1 of the first speech and first noise estimation unit 405 and a speech model (speech pattern) M s prepared in advance. And Using the estimated S 1 and N 1 and the speech model M s , an expected value R snE of the prior SN ratio is output.
  • FIG. 10 is a diagram exemplifying a configuration of the expected SN ratio expected value calculation unit 406.
  • the expected SN ratio expected value calculation unit 406 includes a feature amount conversion unit 4061s, a feature amount conversion unit 4061n, an expected value calculation unit 4062, a feature amount inverse conversion unit 4063, and a noise model creation unit. 4064.
  • a noise model M n is created (sequentially updated) by the noise model creation unit 4064 from the feature quantity F n1 of the first estimated noise and input to the expected value calculation unit 4062.
  • the operations of the feature amount conversion unit 4061s, the feature amount conversion unit 4061n, and the feature amount inverse conversion unit 4063 are the same as the operations of the feature amount conversion unit 3061s, the feature amount conversion unit 3061n, and the feature amount inverse conversion unit 3063 in FIG. Therefore, the description is omitted.
  • the noise model creation unit 4064 receives the feature quantity F n1 of the first estimated noise, creates a noise model M n (updates it sequentially), and outputs it.
  • the noise model will be described as a single Gaussian distribution for simplicity of explanation. However, it goes without saying that the fourth embodiment of the present invention is not limited to such a distribution.
  • the noise model M n is a single Gaussian distribution with an average value ⁇ n and a variance ⁇ 2 n .
  • VAR [] is an operator that calculates a variance value.
  • the mean value ⁇ n (t) and the variance ⁇ 2 n (t) of the noise model M n at the time index t are sequentially updated as in the following (Expression 26) and (Expression 27), respectively. .
  • ⁇ ⁇ and ⁇ ⁇ are time constants (0.0 to 1.0) for calculating an average value and a variance value, respectively, and are usually set to values of 0.9 to 1.0.
  • the noise model M n may be created by a method different from the method exemplified above.
  • the expected value calculation unit 4062 A feature amount F s1 output from the feature amount conversion unit 4061s; A feature amount F n1 output from the feature amount conversion unit 4061n; A speech model (speech pattern) M s stored in advance in the storage unit 407; A noise model (noise pattern) M n from the noise model creation unit 4064; Is input, and the feature value F snE of the expected value of the prior S / N ratio is output.
  • the operation of the expected value calculation unit 4062 is basically the same as the operation of the expected value calculation unit 3062 in FIG.
  • the expected value calculation unit 4062 it is difficult to create a prior S / N ratio model by combining the noise model M n that changes from moment to moment with the speech model M s from the viewpoint of calculation amount.
  • the amount of calculation can be reduced by applying the following ideas.
  • the difference between the feature value F sn1 of the prior SN ratio and the average value ⁇ sn, g of the prior SN ratio model is calculated as the average value ⁇ s, gs of the speech model and the average value ⁇ n of the noise model.
  • the difference between the average value ⁇ s and gs of the speech model M s is calculated with respect to the value obtained by adding the average value ⁇ n of the noise model to the feature amount F sn1 of the prior S / N ratio. For this reason, the calculation which calculates the average value of a prior
  • the mixed Gaussian distribution 1-1 of the first layer is composed of two Gaussian distributions
  • the two Gaussian distributions of the first layer are composed of the mixed Gaussian distributions 2-1, 2-2 of the second layer, respectively.
  • the two distributions of the mixed Gaussian distribution 2-1 (2-2) in the second layer are respectively composed of the mixed Gaussian distributions 3-1, 3-2 (3-3, 3-4) in the third layer.
  • the calculation amount is reduced while maintaining the noise suppression accuracy by reducing the calculation frequency of the variance ⁇ 2 sn, g of the prior SN ratio model. can do.
  • the noise model M n is created from the input signal X 0, it is not necessary to prepare a noise model in advance.
  • the noise model M n by sequentially updating the noise model M n, it can be used noise model suitable for the noise included in the input signal X 0. As a result, it is possible to suppress noise with higher accuracy than in the third embodiment.
  • the noise suppression system described in the above embodiment may be applied to a microphone unit.
  • the present invention is also applicable to a case where a noise suppression program that realizes the functions of the noise suppression system of the above-described embodiment is supplied directly or remotely to the system or apparatus. Therefore, the present invention also provides a program installed in a computer, a medium storing the program, and a WWW (World Wide Web) server for downloading the program to be realized by a computer. According to the present invention, a non-transitory computer-readable medium that stores a program for causing a computer to execute the processing steps included in the embodiment is provided.
  • the present invention is not limited to the above-described embodiment, and for example, may be configured by combining various embodiments. Further, the present invention may be applied to a system composed of a plurality of devices, or may be applied to a single device.
  • Noise suppression system 101 100, 200, 300, 400 Noise suppression system 101, 201 First prior S / N ratio estimation unit 102, 202, 306, 406 Pre-SNR expected value calculation unit 103, 203, 303, 403 Noise suppression coefficient calculation unit 104, 204, 304, 404 Noise suppression unit 105, 205 Pre-SNR model (storage unit) 305, 405 First speech and first noise estimation unit 307, 407 Speech model (storage unit) 308 Noise model (storage unit) 2011, 3051 First noise estimation unit 2012, 3052 First speech estimation unit 2013 Pre-SNR estimation unit 2021, 3061s, 3061n, 4061s, 4061n Feature value conversion unit 2022, 3062, 4062 Expected value calculation unit 2023, 3063, 4063 feature amount inverse transform unit 4064 noise model creation unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (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)
  • Circuit For Audible Band Transducer (AREA)
  • Noise Elimination (AREA)

Abstract

　所望の信号に雑音が混在した入力信号に対して、雑音の大きさが変動した場合でも雑音抑圧の精度の低下を回避し高精度に雑音成分を抑圧する。雑音抑圧システムは、信号と雑音が混在した入力信号から推定される前記信号と前記雑音のＳＮ比の推定値に対して、事前ＳＮ比モデル、又は、信号モデルと雑音モデルに基づき、補正を施し事前ＳＮ比の期待値を計算する部と、前記事前ＳＮ比の期待値を用いて雑音抑圧係数を計算する雑音抑圧係数計算部と、前記雑音抑圧係数を前記入力信号に乗ずることで前記入力信号に含まれる雑音成分を抑圧する雑音抑圧部を備える。

Description

雑音抑圧システムと雑音抑圧方法及びプログラムを格納した記録媒体
　本発明は、雑音抑圧技術に関し、特に、入力信号に含まれる雑音成分を抑圧して所望の信号を抽出するシステムや用途等に好適な雑音抑圧システムと雑音抑圧方法及びプログラムに関する。
　所望の信号と雑音とが混在する入力信号から所望の信号を取得する技術開発が進んでいる。例えば、特許文献１には、入力音声信号に含まれる雑音を抑圧して仮推定音声を求め、音声の標準パタンを用いて仮推定音声を補正することにより、音声の情報を欠落させることなく、高い精度で雑音成分を除去可能とする構成が開示されている。特許文献１の技術は、標準パタンを構成する確率分布が仮推定音声を出力する確率と、該標準パタンを構成する確率分布の平均値とを用いた期待値演算処理により求めた仮推定音声の期待値を、仮推定音声の補正値としている。
　なお、特許文献２と非特許文献１は、後の実施形態の説明で参照される。このうち、特許文献２には、ノイズを除去する方法が開示されている。そのノイズ除去方法は、まず周波数別の第１の信号対雑音比を求め、第１の信号対雑音比に基づいて周波数別の重みを求め、周波数別の重みを周波数領域信号に重み付けして求めた重み付き周波数領域信号に基づいて周波数別の推定雑音を求める。続いてノイズ除去方法は、周波数領域信号と周波数別の推定雑音とに基づいて第２の信号対雑音比を求め、第２の信号対雑音比に基づいて抑圧係数を定め、抑圧係数を周波数領域信号に重み付けする。
特許第４７６５４６１号公報 特許第４２８２２２７号公報
Handbook of Speech Processing, 44章, Spectral Enhancement Methods, Springer, 2008年, pp.873-902
　上記特許文献１においては、音声の標準パタンを用いて仮推定音声を補正することにより音声の情報の欠落を防いでいるが、雑音の大きさの変動等により、雑音抑圧の精度が低下する場合がある。
　本発明は、上述の課題に鑑みて創案されたものであって、その目的は、所望の信号に雑音が混在した入力信号に対して、雑音の大きさが変動した場合でも雑音抑圧の精度の低下を回避し高精度に雑音成分を抑圧する技術を提供することにある。
　上記目的を達成するため、本発明の１つの側面によれば、雑音抑圧システムは、以下の構成により提供される。雑音抑圧システムは、信号と雑音が混在した入力信号から推定した信号と雑音に関する事前ＳＮ比（Signal to Noise ratio）の推定値に対して、事前ＳＮ比モデル、又は、信号モデルと雑音モデルに基づき、補正を施し、事前ＳＮ比の期待値を取得する事前ＳＮ比推定・期待値計算部を有する。更に雑音抑圧システムは、前記事前ＳＮ比の期待値を用いて雑音抑圧係数を計算する雑音抑圧係数計算部と、前記雑音抑圧係数を前記入力信号に乗じることで前記入力信号に含まれる雑音を抑圧する雑音抑圧部を有する。
　本発明の別の側面によれば、雑音抑圧方法は、信号と雑音が混在した入力信号から推定した前記信号と前記雑音に関する事前ＳＮ比の推定値に対して、事前ＳＮ比モデル、又は、信号モデルと雑音モデルに基づき、補正を施して事前ＳＮ比の期待値を取得する。更に、雑音抑圧方法は、前記事前ＳＮ比の期待値を用いて、雑音抑圧係数を計算し、前記雑音抑圧係数を前記入力信号に乗ずることで、前記入力信号に含まれる雑音成分を抑圧する。
　本発明の別の側面によれば、以下の処理をコンピュータに実行させるプログラムが提供される。その処理は、信号と雑音が混在した入力信号から推定した前記信号と前記雑音に関する事前ＳＮ比の推定値に対して、事前ＳＮ比モデル、又は、信号モデルと雑音モデルに基づき、補正を施して事前ＳＮ比の期待値を取得する処理である。更に、その処理は、前記事前ＳＮ比の期待値を用いて、雑音抑圧係数を計算する処理と、前記雑音抑圧係数を前記入力信号に乗ずることで、前記入力信号に含まれる雑音成分を抑圧する処理である。本発明によれば、該プログラムを記録したコンピュータで読み出し可能な記録媒体（non-transitory computer readable recording medium）が提供される。
　本発明によれば、所望の信号に雑音が混在した入力信号に対して、雑音の大きさが変動した場合でも雑音抑圧の精度の低下を回避し高精度に雑音成分を抑圧することができる。
本発明の第１の実施形態に係る雑音抑圧システムの構成を例示する図である。 本発明の第２の実施形態に係る雑音抑圧システムの構成を例示する図である。 本発明の第２の実施形態に係る第１の事前ＳＮ比推定部の構成を例示する図である。 本発明の第２の実施形態に係る事前ＳＮ比の期待値計算部の構成を例示する図である。 本発明の第２の実施形態に係る雑音抑圧システムの処理手順を説明するためのフローチャートである。 本発明の第３の実施形態に係る雑音抑圧システムの構成を例示する図である。 本発明の第３の実施形態に係る第１の音声と第１の雑音の推定部の構成を例示する図である。 本発明の第３の実施形態に係る事前ＳＮ比の期待値計算部の構成を例示する図である。 本発明の第４の実施形態に係る雑音抑圧システムの構成を例示する図である。 本発明の第４の実施形態に係る事前ＳＮ比の期待値計算部の構成を例示する図である。 木構造化された音声モデルを説明するための模式図である。 本発明の実施形態の基本概念を説明するための図である。
　以下では、本発明の実施形態に共通する基本概念を説明し、つづいて各実施形態について説明する。なお、以下の説明において、括弧内の参照符号は、本発明の基本概念をより明確とするために一例として示したものであって、本発明を限定するために解釈されるべきものでないことは勿論である。また、第１～４の実施形態の構成を示すブロック図において、ブロック間の矢印の方向は、一例を示すものであり、ブロック間の信号の向きを限定するものではない。
　図１２は、各実施形態に共通な基本概念を模式的に例示した図である。図１２を参照すると、本発明の一態様である雑音抑圧システム（１０）は、事前ＳＮ比推定・期待値計算部（１１）、雑音抑圧係数計算部（１２）、雑音抑圧部（１３）を備える。事前ＳＮ比推定・期待値計算部（１１）は、信号と雑音が混在した入力信号から推定される信号と雑音のＳＮ比の推定値（事前ＳＮ比推定値）に補正を施し事前ＳＮ比の期待値（ＲｓｎＥ）を取得する。その補正は、事前ＳＮ比モデル、又は、信号モデルと雑音モデル、に基づく。更に、雑音抑圧係数計算部（１２）は、事前ＳＮ比の期待値（ＲｓｎＥ）を用いて雑音抑圧係数（Ｗｏ）を計算する。更に、雑音抑圧部（１３）は、雑音抑圧係数（Ｗｏ）を入力信号に乗ずることで入力信号に含まれる雑音成分を抑圧し、信号の推定値を出力する。雑音抑圧システム（１０）の各部の処理・機能の少なくとも一部又は全部は、雑音抑圧システム（１０）を構成するコンピュータ上で実行されるプログラムにより実現するようにしてもよい。
　本発明の好ましい形態の一つによれば、雑音抑圧システム（図１の１００）は、第１の事前ＳＮ比推定部（図１の１０１）、記憶部（図１の１０５）、事前ＳＮ比の期待値計算部（図１の１０２）を備える。第１の事前ＳＮ比推定部（１０１）は、信号と雑音が混在した入力信号を入力し、入力信号から信号と雑音とを推定し、推定した信号と雑音に関する事前ＳＮ比を推定する。記憶部（１０５）は、予め用意された事前ＳＮ比モデル（Ｍｓｎ）を記憶する。事前ＳＮ比の期待値計算部（１０２）は、第１の事前ＳＮ比推定部（１０１）で推定された事前ＳＮ比を、記憶部（１０５）に記憶された事前ＳＮ比モデルを用いて補正することで事前ＳＮ比の期待値（ＲｓｎＥ）を計算する。雑音抑圧係数計算部（図１の１０３）は、事前ＳＮ比の期待値（ＲｓｎＥ）を用いて雑音抑圧係数（Ｗｏ）を計算する。雑音抑圧部（図１の１０４）は、雑音抑圧係数（Ｗｏ）を、入力信号に乗ずることで入力信号に含まれる雑音成分を抑圧し、信号の推定値を出力する。なお、第１の事前ＳＮ比推定部（１０１）、記憶部（１０５）、及び、事前ＳＮ比の期待値計算部（１０２）は、図１２の事前ＳＮ比推定・期待値計算部（１１）に対応する。
　本発明の別の形態によれば、予め用意された事前ＳＮ比モデルの代わりに、予め用意された音声モデルと予め用意した雑音モデルを用いて事前ＳＮ比モデルを推定するようにしてもよい。例えば、雑音抑圧システム（図６の３００）は、第１の音声と第１の雑音の推定部（図６の３０５）、記憶部（図６の３０７）、記憶部（図６の３０８）、事前ＳＮ比の期待値計算部（図６の３０６）を備える。第１の音声と第１の雑音の推定部（３０５）は、信号と雑音が混在した入力信号を入力し、入力信号から信号と雑音とを推定する。記憶部（３０７）は、予め用意された音声モデル（Ｍｓ）を記憶する。記憶部（３０８）は、予め用意された雑音モデル（Ｍｎ）を記憶する。事前ＳＮ比の期待値計算部（３０６）は、第１の音声と第１の雑音の推定部（３０５）で推定された信号と雑音とを入力し、信号の雑音に対する事前ＳＮ比を、記憶部（３０７、３０８）にそれぞれ記憶された音声モデルと雑音モデルとを用いて補正し、事前ＳＮ比の期待値（ＲｓｎＥ）を計算する。雑音抑圧係数計算部（図６の３０３）は、事前ＳＮ比の期待値（ＲｓｎＥ）を用いて雑音抑圧係数（Ｗｏ）を計算する。雑音抑圧部（図６の３０４）は、雑音抑圧係数（Ｗｏ）を、入力信号に乗ずることで入力信号に含まれる雑音成分を抑圧し、信号の推定値を出力する。なお、第１の音声と第１の雑音の推定部（３０５）、記憶部（３０７、３０８）、及び、事前ＳＮ比の期待値計算部（３０６）は、図１２の事前ＳＮ比推定・期待値計算部（１１）に対応する。
　あるいは、本発明の別の形態によれば、雑音抑圧システム（図９の４００）は、信号と雑音が混在した入力信号を入力し、入力信号から信号と雑音とを推定する、第１の音声と第１の雑音の推定部（図９の４０５）と、予め用意された音声モデルを記憶する記憶部（図９の４０７）を備える。更に雑音抑圧システム（４００）は、事前ＳＮ比の期待値計算部（図９の４０６）を備える。事前ＳＮ比の期待値計算部（４０６）は、第１の音声と第１の雑音の推定部（図９の４０５）で推定された信号と雑音とを入力し、雑音に基づき雑音モデル（Ｍｎ）を生成し、信号の雑音に対する比（事前ＳＮ比）を、音声モデルと雑音モデルを用いて補正する。これにより、事前ＳＮ比の期待値計算部（４０６）は、事前ＳＮ比の期待値（ＲｓｎＥ）を計算する。雑音抑圧係数計算部（図９の４０３）は、事前ＳＮ比の期待値を用いて雑音抑圧係数を計算する。雑音抑圧部（図９の４０４）は、雑音抑圧係数を、入力信号に乗ずることで入力信号に含まれる雑音成分を抑圧し、信号の推定値を出力する構成としてもよい。なお、第１の音声と第１の雑音の推定部（４０５）、記憶部（４０７）、及び、事前ＳＮ比の期待値計算部（４０６）は、図１２の事前ＳＮ比推定・期待値計算部（１１）に対応する。以下、図面を参照して、本発明の例示的な実施の形態について詳しく説明する。ただし、以下の実施の形態に記載されている構成要素はあくまで例示であり、本発明は、かかる構成に限定されるものでないことは勿論である。
［第１の実施形態］
　図１は、第１の実施形態に係る雑音抑圧システム１００の構成を例示する図である。図１を参照して、本発明の第１の実施形態としての雑音抑圧システム１００について説明する。図１に示すように、雑音抑圧システム１００は、第１の事前ＳＮ比推定部１０１と、事前ＳＮ比の期待値計算部１０２と、雑音抑圧係数計算部１０３と、雑音抑圧部１０４と、事前ＳＮ比モデル（Ｍｓｎ）を記憶する記憶部１０５と、を含む。
　事前ＳＮ比と事後ＳＮ比は、以下のように区別して定義される。
事前ＳＮ比＝所望の信号パワー／雑音パワー
事後ＳＮ比＝（所望の信号と雑音の混合信号パワー）／雑音パワー
　第１の事前ＳＮ比推定部１０１は、所望の信号と雑音が混在する入力信号Ｘ０を入力とする。第１の事前ＳＮ比推定部１０１は、入力信号Ｘ０に含まれる所望の信号パワーと雑音パワーの比（事前ＳＮ比）Ｒｓｎ１を推定し、推定した事前ＳＮ比Ｒｓｎ１を出力する。なお、入力信号Ｘ０は、所望の信号と雑音が混在する混合信号の周波数スペクトル（周波数振幅スペクトル、周波数パワースペクトル等）であり、時間領域の信号を離散フーリエ変換（Discrete Fourier Transform：DFT）等により周波数領域の信号（実部と虚部を含む複素信号）に変換したものである。また、以後の実施形態において表記される入力信号Ｘ０も同様である。
　事前ＳＮ比の期待値計算部１０２は、第１の事前ＳＮ比推定部１０１から出力される事前ＳＮ比Ｒｓｎ１と、記憶部１０５に予め格納された事前ＳＮ比モデルＭｓｎと、を入力とする。事前ＳＮ比モデルＭｓｎは事前ＳＮ比のパタンからなる。事前ＳＮ比の期待値計算部１０２は、事前ＳＮ比Ｒｓｎ１と、事前ＳＮ比モデルＭｓｎとを比較し、事前ＳＮ比Ｒｓｎ１を、事前ＳＮ比モデルＭｓｎによって補正した値を、事前ＳＮ比の期待値ＲｓｎＥとして出力する。
　雑音抑圧係数計算部１０３は、事前ＳＮ比の期待値計算部１０２から出力される事前ＳＮ比の期待値ＲｓｎＥを入力する。雑音抑圧係数計算部１０３は、事前ＳＮ比の期待値ＲｓｎＥを用いて雑音抑圧係数Ｗ０を計算し、該雑音抑圧係数Ｗ０を出力する。
　雑音抑圧部１０４は、雑音抑圧係数計算部１０３から出力される雑音抑圧係数Ｗ０と、入力信号Ｘ０と、を入力とする。雑音抑圧部１０４は、雑音抑圧係数Ｗ０を入力信号Ｘ０に乗じることにより、入力信号Ｘ０に含まれる雑音成分を抑圧し、所望の信号の推定値Ｓ０を出力する。
　第１の実施形態において、第１の事前ＳＮ比推定部１０１、事前ＳＮ比の期待値計算部１０２、雑音抑圧係数計算部１０３、雑音抑圧部１０４、記憶部１０５を１つにまとめて単一の装置内に実装してもよい。あるいは、それぞれがネットワーク等の通信手段を介して相互接続される分散システムとして構成してもよい。また、第１の事前ＳＮ比推定部１０１と、事前ＳＮ比の期待値計算部１０２と、雑音抑圧係数計算部１０３の処理・機能の少なくとも一部は、コンピュータ上で実行されるプログラムで実現するようにしてもよい。また、雑音抑圧部１０４と、記憶部１０５（読み出し制御、書き込み制御）の処理・機能の少なくとも一部は、コンピュータ上で実行されるプログラムで実現するようにしてもよい。他の実施形態についても同様である。
　第１の実施形態によれば、事前ＳＮ比Ｒｓｎ１を雑音の大きさの変動を考慮した事前ＳＮ比モデルＭｓｎにより補正する。事前ＳＮ比の期待値ＲｓｎＥを用いて計算した雑音抑圧係数Ｗ０を入力信号Ｘ０に乗じることにより、所望の信号成分を除去せずに、雑音の大きさが変動しても高精度に雑音成分を抑圧することができる。
［第２の実施形態］
　次に、図２乃至図５を参照して、本発明の第２の実施形態に係る雑音抑圧システム２００について説明する。なお、図５は、第２の実施形態の雑音抑圧システムの処理を示すフローチャートである。
（全体構成）
　図２は、第２の実施形態に係る雑音抑圧システム２００の構成を例示する図である。第２の実施形態に係る雑音抑圧システム２００は、所望の信号と雑音とが混在する混在信号から所望の信号を取得（抽出）する。以下の例では、所望の信号を音声信号として説明するが、所望の信号は、音声信号にのみ限定されるものでないことは勿論である。
　雑音抑圧システム２００は、第１の事前ＳＮ比推定部２０１と、事前ＳＮ比の期待値計算部２０２と、雑音抑圧係数計算部２０３と、雑音抑圧部２０４と、事前ＳＮ比モデル（事前ＳＮ比のパタン）Ｍｓｎを予め記憶保持する記憶部２０５とを含む。
　第１の事前ＳＮ比推定部２０１は、所望の信号と雑音が混在する入力信号Ｘ０を入力とする。そして、第１の事前ＳＮ比推定部２０１は、入力信号Ｘ０に含まれる所望の信号パワーと雑音パワーの比（事前ＳＮ比）Ｒｓｎ１を推定し、推定したＲｓｎ１を出力する。
　事前ＳＮ比の期待値計算部２０２は、第１の事前ＳＮ比推定部２０１から出力される事前ＳＮ比Ｒｓｎ１と、記憶部２０５に予め記憶保持されている事前ＳＮ比モデルＭｓｎを入力とする。事前ＳＮ比の期待値計算部２０２は、推定した事前ＳＮ比Ｒｓｎ１と、事前ＳＮ比モデルＭｓｎとを比較し、事前ＳＮ比モデルＭｓｎにより補正された値の事前ＳＮ比の期待値ＲｓｎＥを出力する。
　雑音抑圧係数計算部２０３は、事前ＳＮ比の期待値計算部２０２の出力ＲｓｎＥを入力とする。事前ＳＮ比の期待値ＲｓｎＥを用いて雑音抑圧係数Ｗ０を計算し、Ｗ０を出力する。
　雑音抑圧部２０４は、雑音抑圧係数計算部２０３から出力される雑音抑圧係数Ｗ０と、入力信号Ｘ０とを入力とする。雑音抑圧部２０４は、雑音抑圧係数Ｗ０を入力信号Ｘ０に乗じることにより、入力信号に含まれる雑音成分を抑圧し、所望の信号の推定値Ｓ０を出力する。
　以下、図２の雑音抑圧システム２００の各部についてさらに詳述する。
（第１の事前ＳＮ比推定部）
　まず、図２の第１の事前ＳＮ比推定部２０１の処理について説明する。所望の信号と雑音が混在する入力信号Ｘ０を、以下の（式１）のようにモデル化する。

Figure JPOXMLDOC01-appb-I000001
　　　　　　　　　　　　　　　　　　　　　　・・・・(式1)
　ただし、Ｘ０（ｆ，ｔ）は、所望の信号と雑音が混在する混合信号の周波数スペクトル（周波数振幅スペクトル、周波数パワースペクトル等）である。時間領域の信号に対して例えば離散フーリエ変換（Discrete Fourier Transform：DFT）等により周波数領域の信号に変換したものであり（実部と虚部を含む複素信号）、絶対値演算により振幅成分、振幅成分の２乗演算によりパワー成分が得られる。ｆは周波数のインデックス（周波数インデックスは、例えばＤＣ（直流）成分（インデックス：０）からナイキスト周波数までとなる）、ｔは時間（離散時間）のインデックスである。また、時間のインデックスｔにおけるＸ０、Ｓ、Ｎは、周波数方向の成分を要素に持つベクトルである。
　右辺のＳは、所望の音声成分の周波数スペクトルである。
　またＮは、雑音成分の周波数スペクトルである。
　図３は、第１の事前ＳＮ比推定部２０１の構成を例示する図である。図３を参照すると、第１の事前ＳＮ比推定部２０１は、第１の雑音推定部２０１１と、第１の音声推定部２０１２と、事前ＳＮ比推定部２０１３とを含む。
　第１の雑音推定部２０１１は、入力信号Ｘ０を入力とし、入力信号Ｘ０に含まれる雑音成分を推定し、第１の推定雑音Ｎ１を出力する。
　第１の音声推定部２０１２は、入力信号Ｘ０と、第１の推定雑音Ｎ１とを入力とし、第１の推定音声Ｓ１を出力する。
　事前ＳＮ比推定部２０１３は、第１の推定音声Ｓ１と第１の推定雑音Ｎ１とを入力とし、推定事前ＳＮ比Ｒｓｎ１（＝Ｓ１／Ｎ１）を出力する。なお、時間のインデックスｔにおけるＳ１、Ｎ１は周波数方向の成分を要素に持つベクトルである。
（第１の雑音推定部）
　第１の雑音推定部２０１１では、入力信号Ｘ０に含まれる雑音成分を推定し、第１の推定雑音Ｎ１を出力する。

Figure JPOXMLDOC01-appb-I000002
　　　　　　　　　　　　　　・・・・（式２）
　ただし、ＮＥ［］は雑音推定演算子（noise estimator）であり、入力信号Ｘ０に含まれる雑音成分の推定には、公知の手法である最小統計法（minimum statistics）や重み付き雑音推定法等を用いることができる。なお、式２の右辺は、雑音推定演算子ＮＥ［］によってベクトルＸ０の成分ごとに計算され、ベクトルＸ０の成分に対応して出力される。ここでベクトルの成分に対して出力されるとは、ｙｉ＝ＮＥ［ｘｉ］（ｙｉは出力ベクトルの第ｉ成分、ｘｉはベクトルＸ０の第ｉ成分）を意味する。
（第１の音声推定部）
　第１の音声推定部２０１２では、入力信号Ｘ０に含まれる雑音成分を抑圧することにより、入力信号Ｘ０に含まれる音声成分を推定し、第１の推定音声Ｓ１を出力する。

Figure JPOXMLDOC01-appb-I000003
　　　　　　　　　　　　　　　・・・・（式3）
　ただし、ＮＳ[]は雑音抑圧演算子(Noise Suppressor)であり、例えば、非特許文献１に記載のスペクトル減算（ＳＳ: Spectral Subtraction）法を用いることができる。式３の右辺は、雑音抑圧演算子ＮＳ［］によってベクトルＸ０、ベクトルＮ１の成分ごとに計算され、ベクトルＸ０、ベクトルＮ１の成分に対応して出力される。ここでベクトルの成分に対して出力されるとは、ｙｉ＝ＮＳ［Ｘｉ，Ｎｉ］（ｙｉは出力ベクトルの第ｉ成分、Ｘｉ、ＮｉはベクトルＸｉ、ベクトルＮ１の第ｉ成分）を意味する。
この他、ウィナーフィルタ（ＷＦ: Wiener Filter）法、ＭＭＳＥ　ＳＴＳＡ (Minimum Mean Square Error Short Time Spectral Amplitude) 法、ＭＭＳＥ　ＬＳＡ(Minimum Mean Square Error Log Spectral Amplitude)法等を用いることができる。
（事前ＳＮ比推定部）
　事前ＳＮ比推定部２０１３は、第１の音声推定部２０１２からの第１の推定音声Ｓ１（入力信号Ｘ０に含まれる音声成分）と、第１の雑音推定部２０１１からの第１の推定雑音Ｎ１とを入力とし、音声信号と雑音のＳＮ比（＝Ｓ１／Ｎ１）を推定し、この値を、事前ＳＮ比Ｒｓｎ１として出力する。

Figure JPOXMLDOC01-appb-I000004
　　　　　　　　　　　　　　　　　・・・・(式4)
式４の右辺は、ベクトルＳ１、ベクトルＮ１の成分ごとに計算され、ベクトルＳ１、ベクトルＮ１の成分に対応して出力され、例えば、Ｓ１／Ｎ１は、（Ｓ１２／Ｎ１１，Ｓ１２／Ｎ１１，・・・，Ｓ１ｎ／Ｎ１ｎ）のように出力される。ベクトルの成分に対応して出力されとは、ｙｉ＝ｘｉ／ｚｉ（ｙｉは出力ベクトルの第ｉ成分、ｘｉ、ｚｉはベクトルＳ１、ベクトルＮ１の第ｉ成分）を意味する。
　ただし、事前ＳＮ比推定部２０１３において、（式４）の右辺の分母の第１の推定雑音Ｎ１は、入力信号Ｘ０と第１の推定音声Ｓ１を用いて再推定した雑音成分Ｎ１’（＝Ｘ０－Ｓ１）を用いてもよい。この場合、事前ＳＮ比Ｒｓｎ１は、以下の（式５）で与えられる。

Figure JPOXMLDOC01-appb-I000005
　　　　　　　　　　　　　　　　・・・・(式5)
　式５の右辺も段落００５３と同様に、ベクトルＸ０，ベクトルＳ１の成分ごとに計算される。また、第１の音声推定部２０１２において、ＷＦ法、ＭＭＳＥ　ＳＴＳＡ法、又は、ＭＭＳＥ　ＬＳＡ法を用いる場合には、第１の音声推定部２０１２において、事前ＳＮ比を求めることができる。このため、第１の音声推定部２０１２で推定された事前ＳＮ比を、第１の事前ＳＮ比推定部２０１の出力（事前ＳＮ比Ｒｓｎ１）としてもよい。この場合、図３の事前ＳＮ比推定部２０１３は不要となる。
　事前ＳＮ比Ｒｓｎ１は、以下の（式６）の周波数のインデックスｆ毎の値のほかにも、例えば、（式７）の複数の周波数のインデックスｆをまとめた周波数帯域Ｂ（例えば、メル周波数帯域）毎の値や、（式８）の全てのｆをまとめた値等を用いて計算してもよい。なお、時間のインデックスｔにおける事前ＳＮ比Ｒｓｎ１は、周波数のインデックスｆや周波数帯域Ｂの数に相当する分、存在する。したがって、ｔにおける事前ＳＮ比Ｒｓｎ１は周波数方向の成分を要素に持つベクトルである。

Figure JPOXMLDOC01-appb-I000006
　　　　　　　　　　　　　　　・・・・(式6)

Figure JPOXMLDOC01-appb-I000007
　　　　　　　　　　　　　　　　　・・・・(式7)

Figure JPOXMLDOC01-appb-I000008
　　　　　　　　　　　　　　　　　・・・・(式8)
（事前ＳＮ比の期待値計算部）
　図４は、図２の事前ＳＮ比の期待値計算部２０２の構成を例示する図である。図４を参照すると、事前ＳＮ比の期待値計算部２０２は、特徴量変換部２０２１と、期待値計算部２０２２と、特徴量逆変換部２０２３と、を含む。
　特徴量変換部２０２１は、第１の事前ＳＮ比推定部２０１から出力される事前ＳＮ比Ｒｓｎ１を入力とし、事前ＳＮ比Ｒｓｎ１の特徴量Ｆｓｎ１を出力する。
　期待値計算部２０２２は、特徴量Ｆｓｎ１と予め用意した事前ＳＮ比モデル（事前ＳＮ比のパタン）Ｍｓｎとを入力とし、事前ＳＮ比の期待値の特徴量ＦｓｎＥを出力する。
　特徴量逆変換部２０２３は、特徴量ＦｓｎＥを入力とし、事前ＳＮ比の期待値ＲｓｎＥを出力する。
（特徴量変換部）
　特徴量変換部２０２１では、事前ＳＮ比Ｒｓｎ１を特徴量Ｆｓｎ１に変換し、特徴量Ｆｓｎ１を出力する。特徴量としては、例えば、以下の（式９）の対数値、あるいは、（式１０）に示すように、対数値をコサイン変換（Discrete Cosine Transform(DCT）:離散コサイン変換）した値（ケプストラム）等を用いることがきる。

Figure JPOXMLDOC01-appb-I000009
　　　　　　　　　　　　　　　　　・・・・(式９)
なお、式９に示すｌｏｇは自然対数とする。以降で示されるｌｏｇも同様である。なお、ｌｏｇは自然対数の他に常用対数を用いることもできる。なお、式９の右辺は、ベクトルＲｓｎ１の成分ごとに対数計算され、ベクトルＲｓｎ１の成分に対応して出力される。ここでベクトルの成分に対して出力されるとは、ｙｉ＝ｌｏｇｘｉ（ｙｉは出力ベクトルの第ｉ成分、ｘｉはベクトルＲｓｎ１の第ｉ成分）を意味する。

Figure JPOXMLDOC01-appb-I000010
　　　　　　　　　　　　　　　　　・・・・(式10)
　ただし、Ｃ［］はコサイン変換演算子(DCT演算子)である。式１０の右辺は、ベクトルｌｏｇＲｓｎ１の成分ごとにコサイン変換され、ベクトルＲｓｎ１の成分に対応して出力される。ここでベクトルの成分に対して出力されるとは、ｚｉ＝C［ｘｉ］（ｚｉは出力ベクトルの第ｉ成分、ｘｉはベクトルＲｓｎ１の第ｉ成分）を意味する。また、式１０の対数演算については式９における計算と同様である。
　なお、特徴量Ｆｓｎ１は、時間のインデックスｔ毎に計算できるが、過去の時間（例えばｔ－１）の特徴量との差分をとり、一次差分特徴量を用いてもよい。あるいは、さらに差分をとり、二次差分特徴量を用いるようにしてもよい。時間のインデックスｔにおける特徴量Ｆｓｎ１は、ケプストラムの次元数や一次差分特徴量、二次差分特徴量の数だけ存在するため、多次元のベクトルである。
（期待値計算部）
　期待値計算部２０２２では、特徴量Ｆｓｎ１と、記憶部２０５に予め記憶されている事前ＳＮ比モデルＭｓｎと、を入力とし、事前ＳＮ比の期待値の特徴量ＦｓｎＥを出力する。以下では、一例として、事前ＳＮ比モデルＭｓｎをＧ個のガウス分布から構成される混合ガウス分布モデル（GMM：Gaussian Mixture Model）として説明する。ただし、本発明は以下の例に限定されるものでないことは勿論である。
　事前ＳＮ比モデルＭｓｎを、平均値μｓｎ，ｇ、分散σ２ ｓｎ，ｇのＧ個（Ｇ＞１）のガウス分布が重みｗｓｎ,ｇで混合された混合ガウス分布モデルとする。ただし、ｇはガウス分布のインデックス（ｇ=0、1、・・・、G-1）である。
　期待値計算部２０２２では、事前ＳＮ比の期待値の特徴量ＦｓｎＥを、以下の（式１１）のように、事前ＳＮ比モデルＭｓｎの平均値μｓｎ,ｇの重み付け和として計算する。

Figure JPOXMLDOC01-appb-I000011
　　　　　　　　　　　　　　　　　・・・・(式11)
　（式１１）において、重みであるＰ（ｇ｜Ｆｓｎ１）は、特徴量Ｆｓｎ１に対する事後確率である。Ｐ（ｇ｜Ｆｓｎ１）は、例えば（式１２）のように計算する。

Figure JPOXMLDOC01-appb-I000012
　　　　　　　　　　　　　　　　　・・・・(式12)
　（式１２）において、Ｐ（Ｆｓｎ１｜ｇ）は、事前ＳＮ比モデルＭｓｎのガウス分布ｇが特徴量Ｆｓｎ１を出力する確率であり、以下の（式１３）のように計算される。
Figure JPOXMLDOC01-appb-I000013
　　　　　　　　　　　　　　　　　・・・・(式13)
　ただし、特徴量Ｆｓｎ１と平均値μｓｎ，ｇは、ともにＤ次元の列ベクトル、分散σ２ ｓｎ，ｇはＤ×Ｄの行列とする。ｄｅｔ［］は行列式演算子である。また、Ｔは転置を表し、｛Ｆｓｎ１－μｓｎ，ｇ｝TはＤ次元の行ベクトルとなる。なお、次元数を示すＤの値は、入力信号の種別に応じて適宜変えることができる。音声信号を含む場合は、１０次元以上が望ましい。
　記憶部１０５に予め記憶保持される事前ＳＮ比モデルＭｓｎは、平均値μｓｎ，ｇと分散σ２ ｓｎ，ｇを使用して表現されており、該分散σ２ ｓｎ，ｇには、音声信号の変動や雑音の大きさの変動が含まれている。このため、（式１１）において、重みとして用いる事後確率Ｐ（ｇ｜Ｆｓｎ１）は雑音の大きさの変動が考慮された値となる。
　事前ＳＮ比モデルＭｓｎは、予め大量の入力信号に対する特徴量Ｆｓｎ１を用いて作成すればよい。混合ガウス分布モデルの場合、事前ＳＮ比モデルＭｓｎは、例えば、期待値最大化（expectation maximization）アルゴリズム等を用いて学習（作成）すればよい。
あるいは、事前ＳＮ比モデルＭｓｎは、音声のモデルＭｓと雑音のモデルＭｎを組み合わせることにより作成することができる。音声のモデルＭｓと雑音のモデルＭｎの組み合わせ方法については、次の実施の形態（図８の期待値計算部３０６２の説明参照）で説明する。
（特徴量逆変換部）
　特徴量逆変換部２０２３では、事前ＳＮ比の期待値の特徴量ＦｓｎＥを変換し、事前ＳＮ比の期待値ＲｓｎＥを出力する。特徴量変換部２０２１において、（式９）の対数値を用いた場合には、（式１４）により逆変換し、（式１０）に示すように、対数値をコサイン変換した値を用いた場合には、（式１５）により逆変換すればよい。

Figure JPOXMLDOC01-appb-I000014
　　　　　　　　　　　　　　　　　・・・・(式1４)

Figure JPOXMLDOC01-appb-I000015
　　　　　　　　　　　　　　　　　・・・・(式1５)
　ただし、ｅｘｐ［］は指数演算子であり、Ｃ－１［］は逆コサイン変換演算子（Inverse　Discrete Cosine Transform (IDCT):逆離散コサイン変換演算子）である。なお、式１４の右辺は、ｅｘｐ関数としてｅｘｐ［ＦｓｎＥ］と表すことができ、ベクトルＦｓｎＥの成分ごとに計算され、（ｅＦｓｎＥ１，ｅＦｓｎＥ２，・・・，ｅＦｓｎＥｎ）のようにベクトルの成分に対応して出力される。ここでベクトルの成分に対して出力されるとは、ｙｉ＝ｅｘｉ（ｙｉは出力ベクトルの第ｉ成分、ｘｉはベクトルＦｓｎＥの第ｉ成分）を意味する。また、式１５の右辺は、ｅｘｐ関数としてｅｘｐ［Ｃ－１［ＦｓｎＥ］］として表すことができる。Ｃ－１［ＦｓｎＥ］は、逆コサイン変換されたベクトルＦｓｎＥの成分ごとに計算され、ベクトルＦｓｎＥの成分に対応して出力される。ここでベクトルの成分に対して出力されるとは、ｚｉ＝C－１［ｘｉ］（ｚｉは出力ベクトルの第ｉ成分、ｘｉはベクトルＦｓｎＥの第ｉ成分）を意味する。また、式１５の指数演算については式１４における計算と同様である。
　ここで、（式１５）に、（式１１）を代入すると、次式が得られる。

Figure JPOXMLDOC01-appb-I000016
　　　　　　　　　　　　　　　　　・・・・(式1６)
　逆コサイン変換Ｃ－１は線形変換であることから、事前ＳＮ比モデルＭｓｎの平均値μｓｎ，ｇに対して逆コサイン変換した値Ｃ－１［μｓｎ，ｇ］を、記憶部２０５に予め記憶保持しておく。事前ＳＮ比モデルＭｓｎの平均値μｓｎ，ｇが変化しない限り、（式１６）において、記憶部２０５の演算結果Ｃ－１［μｓｎ，ｇ］を利用することで、逆コサイン変換の演算は不要となる。
（雑音抑圧係数計算部）
　雑音抑圧係数計算部２０３では、事前ＳＮ比の期待値ＲｓｎＥを用いて、雑音抑圧係数Ｗ０を計算して出力する。例えばウィナーフィルタ法による雑音抑圧係数は、事前ＳＮ比の期待値ＲｓｎＥを用いて、次式のように計算できる。

Figure JPOXMLDOC01-appb-I000017
　　　　　　　　　　　　　　　　　・・・・(式17)
式１７の右辺は、ベクトルＲｓｎＥの成分ごとに計算され、例えば、｛（ＲｓｎＥ１／（１＋ＲｓｎＥ１），（ＲｓｎＥ２／（１＋ＲｓｎＥ２），・・・，（ＲｓｎＥｎ／（１＋ＲｓｎＥｎ））のようにベクトルの成分に対応して出力される。ベクトルの成分に対応して出力されるとは、ｙｉ＝ｘｉ／（１＋ｘｉ）（ｙｉは出力ベクトルの第ｉ成分、ｘｉはベクトルＲｓｎＥの第ｉ成分）を意味する。
　なお、雑音抑圧係数計算部２０３において、事前ＳＮ比の期待値ＲｓｎＥを用いて雑音抑圧係数を計算するにあたり、ＭＭＳＥ　ＳＴＳＡ法、ＭＭＳＥ　ＬＳＡ法等他の雑音抑圧法を用いてもよいことはもちろんである。
　雑音抑圧係数計算部２０３において、雑音抑圧係数の計算に、事後ＳＮ比（所望の信号と雑音の混合信号と雑音の比）を用いる雑音抑圧法の場合、入力信号Ｘ０と第１の事前ＳＮ比推定部２０１における第１の推定雑音Ｎ１から、事後ＳＮ比（Ｘ０／Ｎ１）を算出して、雑音抑圧係数の計算に用いればよい。
（雑音抑圧部）
　雑音抑圧部２０４では、雑音抑圧係数Ｗ０を入力信号Ｘ０に乗じることにより、入力信号Ｘ０に含まれる雑音成分を抑圧し、所望の信号の推定値Ｓ０を出力する。

Figure JPOXMLDOC01-appb-I000018
　　　　　　　　　　　　　　　　　・・・・(式18)
　すなわち、事前ＳＮ比の期待値ＲｓｎＥを所望の信号の推定値Ｓ０と雑音の推定値Ｎ０の比で近似すると、Ｗ０≒Ｓ０／（Ｓ０＋Ｎ０）と近似され、Ｘ０≒Ｓ０＋Ｎ０から、Ｗ０×Ｘ０は所望の信号の推定値Ｓ０となる。
　図５は、図２乃至図４を参照して説明した第２の実施形態の処理手順（動作）を説明するためのフローチャートである。
（ステップＳ６０１）
　第１の事前ＳＮ比推定部２０１は、所望の信号と雑音が混在する入力信号Ｘ０に含まれる所望の信号と雑音の比Ｒｓｎ１を推定する。
（ステップＳ６０２）
　事前ＳＮ比の期待値計算部２０２は、第１の事前ＳＮ比推定部２０１によって推定された事前ＳＮ比Ｒｓｎ１と、記憶部２０５の事前ＳＮ比モデルＭｓｎとを比較し、事前ＳＮ比モデルＭｓｎにより補正した値である事前ＳＮ比の期待値ＲｓｎＥを計算する。
（ステップＳ６０３）
　雑音抑圧係数計算部２０３は、事前ＳＮ比の期待値ＲｓｎＥを用いて雑音抑圧係数Ｗ０を計算する。
（ステップＳ６０４）
　雑音抑圧部２０４は、雑音抑圧係数Ｗ０を入力信号Ｘ０に乗じることにより、入力信号に含まれる雑音成分を抑圧し、所望の信号の推定値Ｓ０を得る。
　本実施形態によれば、事前ＳＮ比Ｒｓｎ１を雑音の大きさの変動を考慮した事前ＳＮ比モデルＭｓｎにより補正する。補正された事前ＳＮ比の期待値ＲｓｎＥを用いて計算した雑音抑圧係数により、所望の信号成分を除去せずに、雑音の大きさが変動しても高精度に雑音成分を抑圧することができる。
［第３の実施形態］
　次に、図６、図７、図８を参照して、本発明の第３の実施形態に係る雑音抑圧システムについて説明する。図２の第２の実施形態に係る雑音抑圧システム２００と、図６の第３の実施形態に係る雑音抑圧システム３００を比較すると、
・図２の第１の事前ＳＮ比推定部２０１が、図６の第１の音声と第１の雑音の推定部３０５に置き換えられている点、
・図２の事前ＳＮ比の期待値計算部２０２が、図６の事前ＳＮ比の期待値計算部３０６に置き換えられている点、
・図２の記憶部２０５に記憶保持される事前ＳＮ比モデルＭｓｎが、図６では、記憶部３０７、３０８にそれぞれ記憶保持される音声モデルＭｓと雑音モデルＭｎである点が、
第２の実施形態と異なる。なお、図６等では、単に、説明を容易化するため、音声モデルＭｓと雑音モデルＭｎを別々の記憶部に記憶保持する構成としたが、音声モデルＭｓと雑音モデルＭｎを同一の記憶部に記憶保持する構成としてもよいことは勿論である。
　図６の雑音抑圧係数計算部３０３、雑音抑圧部３０４の動作は、それぞれ図２の雑音抑圧係数計算部２０３、雑音抑圧部２０４の動作とそれぞれ同じである。図２の第２の実施形態と同一部分については重複を回避するため適宜省略し、以下では、本実施形態について、第２の実施形態との相違点について説明する。すなわち、以下では、第１の音声と第１の雑音の推定部３０５、事前ＳＮ比の期待値計算部３０６、音声モデルＭｓと雑音モデルＭｎについて説明する。
　第１の音声と第１の雑音の推定部３０５は、所望の信号と雑音が混在する入力信号Ｘ０を入力とする。そして、入力信号Ｘ０に含まれる第１の所望の信号（音声）の推定値Ｓ１と第１の雑音の推定値Ｎ１を出力する。
　事前ＳＮ比の期待値計算部３０６は、第１の音声と第１の雑音の推定部３０５から出力される第１の所望の信号（音声）の推定値Ｓ１と、第１の雑音の推定値Ｎ１、記憶部３０７に予め記憶保持されている音声モデル（音声のパタン）Ｍｓを入力とする。更に、事前ＳＮ比の期待値計算部３０６は、記憶部３０８に予め記憶保持されている雑音モデル（雑音のパタン）Ｍｎを入力とする。事前ＳＮ比の期待値計算部３０６は、所望の信号（音声）の推定値Ｓ１と雑音の推定値Ｎ１と、音声モデルＭｓと雑音モデルＭｎと、を比較し、事前ＳＮ比の期待値ＲｓｎＥを出力する。
（第１の音声と第１の雑音の推定部）
　図７は、第１の音声と第１の雑音の推定部３０５の構成を例示する図である。第１の音声と第１の雑音の推定部３０５は、第１の雑音推定部３０５１、第１の音声推定部３０５２を含む。
　第１の雑音推定部３０５１は、入力信号Ｘ０を入力とし、第１の推定雑音Ｎ１を出力する。
　第１の音声推定部３０５２は、入力信号Ｘ０と、第１の推定雑音Ｎ１とを入力とし、第１の推定音声Ｓ１を出力する。図７の第１の雑音推定部３０５１と第１の音声推定部３０５２の動作は、それぞれ、図３の第１の雑音推定部２０１１と第１の音声推定部２０１２の動作と同じであるため、説明を省略する。ただし、第１の音声と第１の雑音の推定部３０５の出力のうち、第１の推定雑音Ｎ１には、入力信号Ｘ０と第１の推定音声Ｓ１を用いて、再推定した雑音成分Ｎ１’を用いてもよい（（式５）の右辺分母参照）。
（事前ＳＮ比の期待値計算部）
　図８は、事前ＳＮ比の期待値計算部３０６の構成を例示する図である。事前ＳＮ比の期待値計算部３０６は、特徴量変換部３０６１ｓと、特徴量変換部３０６１ｎと、期待値計算部３０６２と、特徴量逆変換部３０６３と、を含む。
　特徴量変換部３０６１ｓは、第１の推定音声Ｓ１を入力とし、第１の推定音声Ｓ１の特徴量Ｆｓ１を出力する。
　特徴量変換部３０６１ｎは、第１の推定雑音Ｎ１を入力とし、第１の推定雑音Ｎ１の特徴量Ｆｎ１を出力する。
　期待値計算部３０６２は、特徴量Ｆｓ１と、特徴量Ｆｎ１と、予め用意した音声モデルＭｓと、雑音モデルＭｎを入力とし、事前ＳＮ比の期待値の特徴量ＦｓｎＥを出力する。
　特徴量逆変換部３０６３は、特徴量ＦｓｎＥを入力とし、事前ＳＮ比の期待値ＲｓｎＥを出力する。特徴量逆変換部３０６３の動作は、図４の特徴量逆変換部２０２３の動作と同じであるため、説明を省略する。
（特徴量変換部）
　特徴量変換部３０６１ｓは、第１の推定音声Ｓ１を入力とし、入力した第１の推定音声Ｓ１を変換して特徴量Ｆｓ１を出力する。特徴量としては、（式１９）の対数値、あるいは、（式２０）に示すように、対数値をコサイン変換（離散コサイン変換）した値（ケプストラム）等を用いることができる。

Figure JPOXMLDOC01-appb-I000019
　　　　　　　　　　　　　　　　　・・・・(式19)
　なお式１９の右辺は、なお、式１９の右辺は、ベクトルＳ１の成分ごとに対数計算され、ベクトルＳ１の成分に対応して出力される。ここでベクトルの成分に対して出力されるとは、ｙｉ＝ｌｏｇｘｉ（ｙｉは出力ベクトルの第ｉ成分、ｘｉはベクトルＳ１の第ｉ成分）を意味する。

Figure JPOXMLDOC01-appb-I000020
　　　　　　　　　　　　　　　　　・・・・(式20)
また、式２０の右辺は、のベクトルｌｏｇＳ１の成分ごとにコサイン変換され、ベクトルＳ１の成分に対応して出力される。ここでベクトルの成分に対して出力されるとは、ｚｉ＝C［ｘｉ］（ｚｉは出力ベクトルの第ｉ成分、ｘｉはベクトルＳ１の第ｉ成分）を意味する。また、式２０の対数演算については式１９における計算と同様である。
　特徴量変換部３０６１ｎは、第１の推定雑音Ｎ１を入力とし、入力した第１の推定雑音Ｎ１を変換して特徴量Ｆｎ１を出力する。特徴量としては、（式２１）の対数値、あるいは、（式２２）に示すように、対数値をコサイン変換（離散コサイン変換）した値（ケプストラム）等を用いることができる。

Figure JPOXMLDOC01-appb-I000021
　　　　　　　　　　　　　　　　　・・・・(式21)
　なお式２１の右辺は、なお、式２１の右辺は、ベクトルＮ１の成分ごとに対数計算され、ベクトルＮ１の成分に対応して出力される。ここでベクトルの成分に対して出力されるとは、ｙｉ＝ｌｏｇｘｉ（ｙｉは出力ベクトルの第ｉ成分、ｘｉはベクトルＮ１の第ｉ成分）を意味する。

Figure JPOXMLDOC01-appb-I000022
　　　　　　　　　　　　　　　　　・・・・(式22)
また、式２２の右辺は、ベクトルｌｏｇＮ１の成分ごとにコサイン変換され、ベクトルＮ１の成分に対応して出力される。式２０の右辺は、ベクトルｌｏｇＮ１の成分ごとにコサイン変換され、ベクトルＮ１の成分に対応して出力される。ここでベクトルの成分に対して出力されるとは、ｚｉ＝C［ｘｉ］（ｚｉは出力ベクトルの第ｉ成分、ｘｉはベクトルＮ１の第ｉ成分）を意味する。また、式２２の対数演算については式２１における計算と同様である。
　なお、特徴量Ｆｓ１とＦｎ１は、時間のインデックスｔ毎に計算できるが、過去の時間（例えばｔ－１）の特徴量との差分をとり、一次差分特徴量を用いてもよいし、さらに差分をとり二次差分特徴量を用いることもできる。時間のインデックスｔにおける特徴量Ｆｓ１とＦｎ１は、ケプストラムの次元数や、一次差分特徴量、二次差分特徴量の数だけ存在するため、多次元のベクトルである。
（期待値計算部）
　期待値計算部３０６２は、
・特徴量変換部３０６１ｓから出力される特徴量Ｆｓ１と、
・特徴量変換部３０６１ｎから出力される特徴量Ｆｎ１と、
・記憶部３０７に記憶されている音声モデルＭｓと、
・記憶部３０８に記憶されている雑音モデルＭｎと、
を入力とし、事前ＳＮ比の期待値の特徴量ＦｓｎＥを出力する。
　以下の例では、
・音声モデルをＧｓ個のガウス分布から構成される混合ガウス分布モデル、
・雑音モデルをＧｎ個のガウス分布から構成される混合ガウス分布モデル
として説明するが、本発明の第３の実施形態は、以下の例に限定されるものでないことは勿論である。
・事前ＳＮ比が、（式４）～（式８）のように、Ｓ１とＮ１の比であること、
・特徴量が、（式９）、（式１０）のように、対数値、又は、該対数値の線形変換であること、及び、
・音声と雑音の特徴量が（式１９）～（式２２）のように対数値、又は、該対数値の線形変換であること、
　を考慮すると、事前ＳＮ比の特徴量Ｆｓｎ１は、特徴量Ｆｓ１とＦｎ１を用いて、次のように表すことができる。

Figure JPOXMLDOC01-appb-I000023
　　　　　　　　　　　　　　　　　・・・・(式23)
　上記したように、この例では、音声モデルＭｓを、平均値μｓ，ｇｓ、分散σ２ ｓ，ｇｓのＧｓ個のガウス分布が重みｗｓ，ｇｓで混合された混合ガウス分布モデルとする。
　また、雑音モデルＭｎを、平均値μｎ，ｇｎ、分散σ２ ｎ，ｇｎのＧｎ個のガウス分布が重みｗｎ，ｇｎで混合された混合ガウス分布モデルとする。
　ただし、ｇｓとｇｎはガウス分布のインデックスである。
　ここで、音声信号と雑音信号とが互いに独立であると仮定すると、事前ＳＮ比モデルは、平均値μｓｎ，ｇ（＝μｓ，ｇｓ－μｎ，ｇｎ）、分散σ２ ｓｎ，ｇ（＝σ２ ｓ，ｇｓ＋σ２ ｎ，ｇｎ）のＧ（＝Ｇｓ×Ｇｎ）個のガウス分布が重みｗｓｎ，ｇ（＝ｗｓ，ｇｓ×ｗｎ，ｇｎ）で混合された混合ガウス分布モデルとなる。
　期待値計算部３０６２では、
・（式２３）の事前ＳＮ比の特徴量Ｆｓｎ１（＝Ｆｓ１－Ｆｎ１）と、
・音声モデルＭｓと雑音モデルＭｎから構成する事前ＳＮ比モデルと、
を用いて、図４の期待値計算部２０２２と同様にして、（式１１）により、期待値の特徴量ＦｓｎＥを計算して出力する。
　本実施形態によれば、第２の実施形態の事前ＳＮ比モデルＭｓｎの代わりに、音声モデルＭｓと雑音モデルＭｎを、記憶部（３０７、３０８）に保持しておけばよい。これにより、本実施形態は、第２の実施形態に比べて、必要な記憶容量を削減することができる。その理由は、音声モデルＭｓのモデル数をＡ（Ａ＞２）、雑音モデルＭｎのモデル数をＢ（Ｂ＞２）としたときにＡ＋Ｂ＜ＡＢが成立つからである。例えば、音声モデルＭｓのモデル数が３つ、雑音モデルＭｎのモデル数が２つとすると、これらから事前ＳＮ比モデルのモデル数を６つ構成できる。すなわち、記憶部で記憶するモデル数を削減することができる。
　また、本実施形態によれば、例えば、異なる雑音環境へ対応する場合等において、雑音モデルＭｎだけを再作成するだけで良いことから、対応を容易化している。
　さらに、本実施形態によれば、例えば、雑音の特徴量Ｆｎ１に音声が瞬時的に含まれてしまう場合等のように、雑音の特徴量Ｆｎ１の信頼度が瞬時的に低い場合には、（式２３）において、雑音の特徴量Ｆｎ１を雑音モデルの平均値μｎ，ｇｎで代用する。これにより、音声を、雑音と間違えて抑圧してしまうという事態を未然に回避することができる。なお、雑音の特徴量Ｆｎ１が信頼できるか否かは、雑音の特徴量Ｆｎ１と雑音モデルＭｎを比較すればよい。例えば、雑音の特徴量Ｆｎ１がμｎ，ｇｎ±３σｎ，ｇｎ（μｎ，ｇｎは雑音モデルの平均値、σｎ，ｇｎは標準偏差）の範囲内であれば、信頼度が高い、範囲外であれば、信頼度が低いなどとすればよい。
　上記のとおり、本実施形態によれば、事前ＳＮ比の特徴量と、音声モデル及び雑音モデルから構成する事前ＳＮ比モデルを用いて、事前ＳＮ比の特徴量の期待値を計算し、事前ＳＮ比の特徴量の期待値から、雑音抑圧係数を求める。これにより、他の実施形態と同様、所望の信号成分を除去せずに、雑音の大きさが変動しても高精度に雑音成分を抑圧するという作用効果を奏する。更には、本実施形態は、記憶装置の容量の削減、異なる雑音環境への対応の容易化という新たな作用効果を奏する。
［第４の実施形態］
　図９、図１０を参照して、本発明の第４の実施形態に係る雑音抑圧システムについて説明する。図９を参照すると、第４の実施形態に係る雑音抑圧システムでは、
・図６の事前ＳＮ比の期待値計算部３０６を、図９の事前ＳＮ比の期待値計算部４０６で置き換えた点、
・図６において、記憶部３０８に予め記憶保持されている雑音モデルＭｎが、図９では不要である点が、
　第３の実施形態と異なる。
　図９の、第１の音声と第１の雑音の推定部４０５、雑音抑圧係数計算部４０３、雑音抑圧部４０４は、それぞれ、図６の第１の音声と第１の雑音の推定部３０５、雑音抑圧係数計算部３０３、雑音抑圧部３０４と同じ動作である。このため、図６の第３の実施形態と同一部分については重複を回避するため適宜省略し、以下では、本実施形態について、第３の実施形態との相違点について説明する。すなわち、以下では、事前ＳＮ比の期待値計算部４０６、雑音モデルＭｎについて説明する。
　事前ＳＮ比の期待値計算部４０６は、第１の音声と第１の雑音の推定部４０５の出力値Ｓ１とＮ１、予め用意しておいた音声モデル（音声のパタン）Ｍｓを入力とする。推定したＳ１、Ｎ１と、音声モデルＭｓを用いて、事前ＳＮ比の期待値ＲｓｎＥを出力する。
（事前ＳＮ比の期待値計算部）
　図１０は、事前ＳＮ比の期待値計算部４０６の構成を例示する図である。図１０を参照すると、事前ＳＮ比の期待値計算部４０６は、特徴量変換部４０６１ｓと、特徴量変換部４０６１ｎと、期待値計算部４０６２と、特徴量逆変換部４０６３と、雑音モデル作成部４０６４とを含む。第１の推定雑音の特徴量Ｆｎ１から雑音モデル作成部４０６４で雑音モデルＭｎを作成し（逐次的に更新し）、期待値計算部４０６２に入力する。特徴量変換部４０６１ｓ、特徴量変換部４０６１ｎ、特徴量逆変換部４０６３の動作は、それぞれ、図８の特徴量変換部３０６１ｓ、特徴量変換部３０６１ｎ、特徴量逆変換部３０６３の動作と同じであるため、説明を省略する。
（雑音モデル作成部）
　雑音モデル作成部４０６４は、第１の推定雑音の特徴量Ｆｎ１を入力とし、雑音モデルＭｎを作成して（逐次的に更新し）、出力する。以下では、説明の簡単化のため、雑音モデルを単一ガウス分布として説明する。ただし、本発明の第４の実施形態は、かかる分布に限定されるものでないことは勿論である。
　雑音モデルＭｎを、平均値μｎ、分散σ２ ｎの単一ガウス分布とする。

Figure JPOXMLDOC01-appb-I000024
　　　　　　　　　　　　　　　　　・・・・(式24)

Figure JPOXMLDOC01-appb-I000025
　　　　　　　　　　　　　　　　　・・・・(式25)
　ただし、ＡＶＥ［］は平均値を算出する演算子、ＶＡＲ［］は分散値を算出する演算子である。例えば、時間のインデックスｔにおける雑音モデルＭｎの平均値μｎ（ｔ）と分散σ２ ｎ（ｔ）は、それぞれ、以下の（式２６）、（式２７）のように、逐次更新される。

Figure JPOXMLDOC01-appb-I000026
　　　　　　　　　　　　　　　　　・・・・(式26)

Figure JPOXMLDOC01-appb-I000027
　　　　　　　　　　　　　　　　　・・・・(式27)
　ここで、αμ、ασは、それぞれ平均値、分散値を算出するための時定数（０．０～１．０）であり、通常０．９～１．０の値に設定され、平均化効果を得る。なお、上記で例示した方法とは異なる方法で、雑音モデルＭｎを作成してもよいことは勿論である。
（期待値計算部）
　期待値計算部４０６２は、
・特徴量変換部４０６１ｓから出力される特徴量Ｆｓ１と、
・特徴量変換部４０６１ｎから出力される特徴量Ｆｎ１と、
・記憶部４０７に予め記憶保持されている音声モデル（音声のパタン）Ｍｓと、
・雑音モデル作成部４０６４からの雑音モデル（雑音のパタン）Ｍｎと、
を入力とし、事前ＳＮ比の期待値の特徴量ＦｓｎＥを出力する。
　期待値計算部４０６２の動作は、図８の期待値計算部３０６２の動作と基本的に同じである。
　ここで、期待値計算部４０６２において、時々刻々と変化する雑音モデルＭｎを音声モデルＭｓと組み合わせて、事前ＳＮ比モデルを作成することが、計算量の観点で実現が困難である場合、例えば、以下のような工夫を施すことで、計算量を削減することができる。
　まず、事前ＳＮ比モデルの平均値μｓｎ，ｇ（＝μｓ，ｇｓ－μｎ，ｇｎ）について検討する。（式１３）において、事前ＳＮ比の特徴量Ｆｓｎ１と事前ＳＮ比モデルの平均値μｓｎ，ｇの差分の計算を、音声モデルの平均値μｓ，ｇｓと、雑音モデルの平均値μｎ，ｇｎを用いて、書き換える。

Figure JPOXMLDOC01-appb-I000028
　　　　　　　　　　　　　　　　・・・・(式28)
　雑音モデルＭｎの混合分布数Ｇｎが、音声モデルＭｓの混合分布数Ｇｓと比較して少ない場合、例えば、雑音モデルＭｎが単一ガウス分布の場合には、以下の（式２９）のようになる。

Figure JPOXMLDOC01-appb-I000029
　　　　　　　　　　　　　　　　　・・・・(式29)
　すなわち、事前ＳＮ比の特徴量Ｆｓｎ１に雑音モデルの平均値μｎを加えたものに対して、音声モデルＭｓの平均値μｓ，ｇｓとの差分を計算することになる。このため、事前ＳＮ比モデルの平均値を算出する計算が不要になる。
　次に、事前ＳＮ比モデルの分散σ２ ｓｎ，ｇ（＝σ２ ｓ，ｇｓ＋σ２ ｎ，ｇｎ）について検討する。
　音声モデルＭｓとして、例えば図１１に示すような、木構造化された音声モデルを予め準備しておく。図１１の例では、１層目の混合ガウス分布１－１は２つのガウス分布からなり、１層目の２つのガウス分布はそれぞれ２層目の混合ガウス分布２－１、２－２からなり、２層目の混合ガウス分布２－１（２－２）の２つの分布はそれぞれ３層目の混合ガウス分布３－１、３－２（３－３、３－４）からなる。
　そして、上位層から、（式１３）の計算結果に応じて、木構造を探索することで、全ての事前ＳＮ比モデルの分散σ２ ｓｎ，ｇを計算する必要はなくなる。
　また、雑音の分散σ２ ｎ，ｇｎが余り変化しない場合には、事前ＳＮ比モデルの分散σ２ ｓｎ，ｇの計算頻度を減らすことにより、雑音抑圧の精度を維持しながら、計算量を削減することができる。
　本実施形態によれば、雑音モデルＭｎを入力信号Ｘ０から作成するため、事前に雑音モデルを準備することは不要である。
　また、本実施形態によれば、雑音モデルＭｎを逐次更新することで、入力信号Ｘ０に含まれる雑音に適した雑音モデルを使用することができる。その結果、第３の実施形態に比べて、高精度に雑音を抑圧することができる。
　別の実施形態として、マイクユニットに上記実施形態に記載した雑音抑圧システムを適用してもよい。
　さらに、本発明は、上記した実施形態の雑音抑圧システムの機能を実現する雑音抑圧プログラムが、システムあるいは装置に直接あるいは遠隔から供給される場合にも適用可能である。したがって、コンピュータで実現するために、コンピュータにインストールされるプログラム、あるいはそのプログラムを格納した媒体、そのプログラムをダウンロードさせるＷＷＷ(World Wide Web)サーバも、本発明によって提供される。本発明によれば、実施形態に含まれる処理ステップをコンピュータに実行させるプログラムを格納した非一時的コンピュータ可読媒体（non-transitory computer readable medium）が、提供される。
　本発明は、上記実施形態に制限されるものでなく、例えば実施形態を各種組み合わせた構成としてもよい。また、複数の機器から構成されるシステムに適用してもよいし、単体の装置に適用してもよい。
　なお、上記の特許文献、非特許文献の各開示を、本書に引用をもって繰り込むものとする。本発明の全開示（請求の範囲を含む）の枠内において、さらにその基本的技術思想に基づいて、実施形態ないし実施例の変更・調整が可能である。また、本発明の請求の範囲の枠内において種々の開示要素（各請求項の各要素、各実施例の各要素、各図面の各要素等を含む）の多様な組み合わせ乃至選択が可能である。すなわち、本発明は、請求の範囲を含む全開示、技術的思想にしたがって当業者であればなし得るであろう各種変形、修正を含むことは勿論である。
　この出願は、２０１４年７月１６日に出願された日本出願特願２０１４－１４５７５３を基礎とする優先権を主張し、その開示の全てをここに取り込む。
１００、２００、３００、４００　雑音抑圧システム
１０１、２０１　第１の事前ＳＮ比推定部
１０２、２０２、３０６、４０６　事前ＳＮ比の期待値計算部
１０３、２０３、３０３、４０３　雑音抑圧係数計算部
１０４、２０４、３０４、４０４　雑音抑圧部
１０５、２０５　事前ＳＮ比モデル（記憶部）
３０５、４０５　第１の音声と第１の雑音の推定部
３０７、４０７　音声モデル（記憶部）
３０８　雑音モデル（記憶部）
２０１１、３０５１　第１の雑音推定部
２０１２、３０５２　第１の音声推定部
２０１３　事前ＳＮ比推定部
２０２１、３０６１ｓ、３０６１ｎ、４０６１ｓ、４０６１ｎ　特徴量変換部
２０２２、３０６２、４０６２　期待値計算部
２０２３、３０６３、４０６３　特徴量逆変換部
４０６４　雑音モデル作成部

Claims (10)

  1. 　信号と雑音が混在した入力信号から推定される前記信号と前記雑音に関する事前ＳＮ比の推定値に対して、事前ＳＮ比モデル、又は、信号モデルと雑音モデル、に基づき、補正を施し、前記事前ＳＮ比の期待値を取得する事前ＳＮ比推定・期待値計算手段と、
    　前記事前ＳＮ比の期待値を用いて雑音抑圧係数を計算する雑音抑圧係数計算手段と、
    　前記雑音抑圧係数を前記入力信号に乗じて前記入力信号に含まれる雑音を抑圧する雑音抑圧手段と、
    　を備える雑音抑圧システム。
  2. 　前記事前ＳＮ比推定・期待値計算手段は、
    　前記入力信号を入力し、前記入力信号から前記信号と前記雑音とを推定し、推定した前記信号と前記雑音から前記事前ＳＮ比を推定する事前ＳＮ比推定手段と、
    　予め用意された事前ＳＮ比モデルを記憶する記憶手段と、
    　前記事前ＳＮ比推定手段で推定された前記事前ＳＮ比に対して、前記記憶手段に記憶された前記事前ＳＮ比モデルを用いて補正を施し前記事前ＳＮ比の期待値を計算する事前ＳＮ比の期待値計算手段と、
    　を備える請求項１記載の雑音抑圧システム。
  3. 　前記事前ＳＮ比推定・期待値計算手段は、
    　前記入力信号を入力し、前記入力信号から信号と雑音とを推定する推定手段と、
    　予め用意された信号モデルと雑音モデルとを記憶する記憶手段と、
    　前記推定手段で推定された前記信号と前記雑音とを入力し、前記信号の前記雑音に対する事前ＳＮ比に対して、前記記憶手段に記憶された前記信号モデルと前記雑音モデルとを用いて補正を施し前記事前ＳＮ比の期待値を計算する事前ＳＮ比の期待値計算手段と、
    　を備える請求項１記載の雑音抑圧システム。
  4. 　前記事前ＳＮ比推定・期待値計算手段は、
    　前記入力信号を入力し、前記入力信号から信号と雑音とを推定する推定手段と、
    　予め用意された信号モデルを記憶する記憶手段と、
    　前記推定手段で推定された前記信号と前記雑音とを入力し、前記雑音に基づき雑音モデルを生成し、前記信号の前記雑音に対する事前ＳＮ比に対して、前記記憶手段に記憶された前記信号モデルと、生成した前記雑音モデルとを用いて補正を施し前記事前ＳＮ比の期待値を計算する事前ＳＮ比の期待値計算手段と、
    　を備える請求項１記載の雑音抑圧システム。
  5. 　前記記憶手段が、前記信号モデルとして、木構造化された信号モデルを記憶保持する請求項３又は４記載の雑音抑圧システム。
  6. 　信号と雑音が混在した入力信号から推定される前記信号と前記雑音に関する事前ＳＮ比の推定値に対して、事前ＳＮ比モデル、又は、信号モデルと雑音モデル、に基づき、補正を施して前記事前ＳＮ比の期待値を取得し、
    　前記事前ＳＮ比の期待値を用いて雑音抑圧係数を計算し、
    　前記雑音抑圧係数を前記入力信号に乗ずることで、前記入力信号に含まれる雑音成分を抑圧する雑音抑圧方法。
  7. 　記憶手段に、予め用意された事前ＳＮ比モデルを記憶しておき、
    　信号と雑音が混在した前記入力信号を入力し、前記入力信号から信号と雑音とを推定し、推定された前記信号の前記雑音に対する事前ＳＮ比を推定し、
    　前記事前ＳＮ比の期待値の取得にあたり、
    　前記推定された事前ＳＮを、前記記憶手段に記憶された前記事前ＳＮ比モデルを用いて補正した値を、前記事前ＳＮ比の期待値として出力する請求項６記載の雑音抑圧方法。
  8. 　記憶手段に、予め用意された信号モデルと雑音モデルとを記憶しておき、
    　信号と雑音が混在した前記入力信号を入力し、前記入力信号から信号と雑音とを推定し、
    　前記事前ＳＮ比の期待値の取得にあたり、
    　推定された前記信号の前記雑音に対する事前ＳＮ比を、前記記憶手段に記憶された前記信号モデルと前記雑音モデルとを用いて補正した値を、前記事前ＳＮ比の期待値として出力する請求項６記載の雑音抑圧方法。
  9. 　記憶手段に、予め用意された信号モデルを予め記憶しておき、
    　前記信号と雑音が混在した前記入力信号を入力し、前記入力信号から信号と雑音とを推定し、
    　前記事前ＳＮ比の期待値の取得にあたり、
    　前記推定された前記雑音に基づき雑音モデルを生成し、
    　推定された前記信号の前記雑音に対する事前ＳＮ比を、前記記憶手段に記憶された前記信号モデルと、前記生成した雑音モデルと、を用いて補正した値を、前記事前ＳＮ比の期待値として出力する請求項６記載の雑音抑圧方法。
  10. 　信号と雑音が混在した入力信号から推定した前記信号と前記雑音に関する事前ＳＮ比の推定値に対して、前記事前ＳＮ比モデル、又は、信号モデルと雑音モデルに基づき、補正を施して事前ＳＮ比の期待値を取得する処理と、
    　前記事前ＳＮ比の期待値を用いて、雑音抑圧係数を計算する処理と、
    　前記雑音抑圧係数を前記入力信号に乗ずることで、前記入力信号に含まれる雑音成分を抑圧する処理と、
    　をコンピュータに実行させるプログラムを格納した記録媒体。
PCT/JP2015/003604 2014-07-16 2015-07-16 雑音抑圧システムと雑音抑圧方法及びプログラムを格納した記録媒体 WO2016009654A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US15/325,476 US10748551B2 (en) 2014-07-16 2015-07-16 Noise suppression system, noise suppression method, and recording medium storing program
JP2016534288A JP6696424B2 (ja) 2014-07-16 2015-07-16 雑音抑圧システムと雑音抑圧方法及びプログラム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2014-145753 2014-07-16
JP2014145753 2014-07-16

Publications (1)

Publication Number Publication Date
WO2016009654A1 true WO2016009654A1 (ja) 2016-01-21

Family

ID=55078160

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2015/003604 WO2016009654A1 (ja) 2014-07-16 2015-07-16 雑音抑圧システムと雑音抑圧方法及びプログラムを格納した記録媒体

Country Status (3)

Country Link
US (1) US10748551B2 (ja)
JP (1) JP6696424B2 (ja)
WO (1) WO2016009654A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018206689A1 (de) * 2018-04-30 2019-10-31 Sivantos Pte. Ltd. Verfahren zur Rauschunterdrückung in einem Audiosignal

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003140700A (ja) * 2001-11-05 2003-05-16 Nec Corp ノイズ除去方法及び装置
JP2005062890A (ja) * 2003-08-19 2005-03-10 Microsoft Corp クリーン信号確率変数の推定値を識別する方法
JP2006071956A (ja) * 2004-09-02 2006-03-16 Hitachi Ltd 音声信号処理装置及びプログラム
JP2007033920A (ja) * 2005-07-27 2007-02-08 Nec Corp 雑音抑圧システムと方法及びプログラム
JP2013007975A (ja) * 2011-06-27 2013-01-10 Nippon Telegr & Teleph Corp <Ntt> 雑音抑圧装置、方法及びプログラム

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6252909B1 (en) * 1992-09-21 2001-06-26 Aware, Inc. Multi-carrier transmission system utilizing channels of different bandwidth
KR100355271B1 (ko) * 2000-10-11 2002-10-11 한국전자통신연구원 적응형 전송기법을 이용한 강우 감쇠 보상방법
JP4282227B2 (ja) 2000-12-28 2009-06-17 日本電気株式会社 ノイズ除去の方法及び装置
DE112010005895B4 (de) * 2010-09-21 2016-12-15 Mitsubishi Electric Corporation Störungsunterdrückungsvorrichtung
JP6339896B2 (ja) * 2013-12-27 2018-06-06 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ 雑音抑圧装置および雑音抑圧方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003140700A (ja) * 2001-11-05 2003-05-16 Nec Corp ノイズ除去方法及び装置
JP2005062890A (ja) * 2003-08-19 2005-03-10 Microsoft Corp クリーン信号確率変数の推定値を識別する方法
JP2006071956A (ja) * 2004-09-02 2006-03-16 Hitachi Ltd 音声信号処理装置及びプログラム
JP2007033920A (ja) * 2005-07-27 2007-02-08 Nec Corp 雑音抑圧システムと方法及びプログラム
JP2013007975A (ja) * 2011-06-27 2013-01-10 Nippon Telegr & Teleph Corp <Ntt> 雑音抑圧装置、方法及びプログラム

Also Published As

Publication number Publication date
US20170169837A1 (en) 2017-06-15
US10748551B2 (en) 2020-08-18
JP6696424B2 (ja) 2020-05-20
JPWO2016009654A1 (ja) 2017-04-27

Similar Documents

Publication Publication Date Title
US20200105287A1 (en) Deep neural network-based method and apparatus for combining noise and echo removal
CN109979476B (zh) 一种语音去混响的方法及装置
US20050182624A1 (en) Method and apparatus for constructing a speech filter using estimates of clean speech and noise
JP5842056B2 (ja) 雑音推定装置、雑音推定方法、雑音推定プログラム及び記録媒体
KR101807961B1 (ko) Lstm 및 심화신경망 기반의 음성 신호 처리 방법 및 장치
JP2006238409A (ja) 音声信号分離装置及び方法
CN108010536B (zh) 回声消除方法、装置、***及存储介质
US9858946B2 (en) Signal processing apparatus, signal processing method, and signal processing program
JP5344251B2 (ja) 雑音除去システム、雑音除去方法および雑音除去プログラム
US20160042746A1 (en) Noise suppressing device, noise suppressing method, and a non-transitory computer-readable recording medium storing noise suppressing program
JP5443547B2 (ja) 信号処理装置
WO2016009654A1 (ja) 雑音抑圧システムと雑音抑圧方法及びプログラムを格納した記録媒体
CN108806721A (zh) 信号处理器
JP5807914B2 (ja) 音響信号解析装置、方法、及びプログラム
JP6059072B2 (ja) モデル推定装置、音源分離装置、モデル推定方法、音源分離方法及びプログラム
JP2019035862A (ja) 入力音マスク処理学習装置、入力データ処理関数学習装置、入力音マスク処理学習方法、入力データ処理関数学習方法、プログラム
CN103971697A (zh) 基于非局部均值滤波的语音增强方法
JP5374845B2 (ja) 雑音推定装置と方法およびプログラム
US9654156B2 (en) Nonlinear compensating apparatus and method, transmitter and communication system
WO2020162188A1 (ja) 潜在変数最適化装置、フィルタ係数最適化装置、潜在変数最適化方法、フィルタ係数最適化方法、プログラム
JP5233330B2 (ja) 音響分析条件正規化システム、音響分析条件正規化方法および音響分析条件正規化プログラム
US11152014B2 (en) Audio source parameterization
JP2010049102A (ja) 残響除去装置、残響除去方法、コンピュータプログラムおよび記録媒体
WO2016092837A1 (ja) 音声処理装置、雑音抑圧装置、音声処理方法および記録媒体
CN117690421B (zh) 降噪识别联合网络的语音识别方法、装置、设备及介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15822687

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 15325476

Country of ref document: US

ENP Entry into the national phase

Ref document number: 2016534288

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15822687

Country of ref document: EP

Kind code of ref document: A1