JP7012917B2 - 情報処理装置、検出方法、及び検出プログラム - Google Patents

Description

本開示は、情報処理装置、検出方法、及び検出プログラムに関する。

音声認識の技術が知られている。例えば、音声信号の中の音声区間に対して音声認識を行う技術が提案されている（特許文献１を参照）。

特開平１０－２８８９９４号公報

ところで、音信号の中から検出対象を検出したい場合がある。例えば、雑音のパワーに基づく閾値を用いて、検出対象を検出する方法が考えられる。ここで、雑音のパワーが急激に上がる場合がある。雑音のパワーが閾値を超えた場合、当該方法では、検出対象が精度良く検出できない。

本開示の目的は、検出対象を精度良く検出することである。

本開示の一態様に係る情報処理装置が提供される。情報処理装置は、音信号を取得する取得部と、前記音信号を複数の区間に分割し、前記音信号に基づいて、前記複数の区間のそれぞれの、区間時間当たりの変動量である変動値を算出し、前記複数の区間のそれぞれの、音声らしさの度合いである音声度を前記音信号に基づいて算出し、前記複数の区間の中で、前記変動値が予め設定された閾値以下であり、かつ前記音声度が予め設定された閾値以下である区間を特定し、前記音信号に基づいて、特定された区間における前記音信号のパワーを算出し、特定された区間における前記音信号のパワーの中から最大値を特定し、前記最大値に基づく値を検出閾値に設定し、時間経過に伴う前記音信号のパワーの中で前記検出閾値以上の区間を検出対象区間として検出する制御部と、を有する。

本開示によれば、検出対象を精度良く検出できる。

実施の形態１の情報処理装置が有するハードウェアの構成を示す図である。 比較例を示す図である。 実施の形態１の情報処理装置が有する機能ブロック図である。 実施の形態１の情報処理装置が実行する処理の例を示すフローチャートである。 実施の形態１の情報処理装置が実行する処理の具体例を示す。 実施の形態２の情報処理装置が有する機能ブロック図である。 実施の形態２の情報処理装置が実行する処理の例を示すフローチャートである。 実施の形態２の情報処理装置が実行する処理の具体例を示す。 実施の形態３の情報処理装置が有する機能ブロック図である。 実施の形態３の情報処理装置が実行する処理の例を示すフローチャートである。 実施の形態４の情報処理装置が有する機能ブロック図である。 実施の形態４の情報処理装置が実行する処理の例を示すフローチャート（その１）である。 実施の形態４の情報処理装置が実行する処理の例を示すフローチャート（その２）である。 実施の形態４の情報処理装置が実行する処理の具体例（その１）を示す。 実施の形態４の情報処理装置が実行する処理の具体例（その２）を示す。 実施の形態４の変形例を示すフローチャート（その１）である。 実施の形態４の変形例を示すフローチャート（その２）である。 実施の形態５の情報処理装置が有する機能ブロック図である。 実施の形態５の情報処理装置が実行する処理の例を示すフローチャート（その１）である。 実施の形態５の情報処理装置が実行する処理の例を示すフローチャート（その２）である。 実施の形態５の情報処理装置が実行する処理の具体例（その１）を示す。 実施の形態５の情報処理装置が実行する処理の具体例（その２）を示す。

以下、図面を参照しながら実施の形態を説明する。以下の実施の形態は、例にすぎず、本開示の範囲内で種々の変更が可能である。

実施の形態１．
図１は、実施の形態１の情報処理装置が有するハードウェアの構成を示す図である。情報処理装置１００は、検出方法を実行する装置である。情報処理装置１００は、プロセッサ１０１、揮発性記憶装置１０２、及び不揮発性記憶装置１０３を有する。

プロセッサ１０１は、情報処理装置１００全体を制御する。例えば、プロセッサ１０１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）などである。プロセッサ１０１は、マルチプロセッサでもよい。情報処理装置１００は、処理回路によって実現されてもよく、又は、ソフトウェア、ファームウェア若しくはそれらの組み合わせによって実現されてもよい。なお、処理回路は、単一回路又は複合回路でもよい。

揮発性記憶装置１０２は、情報処理装置１００の主記憶装置である。例えば、揮発性記憶装置１０２は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）である。不揮発性記憶装置１０３は、情報処理装置１００の補助記憶装置である。例えば、不揮発性記憶装置１０３は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）又はＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）である。

図２は、比較例を示す図である。図２の上段は、音の波形のグラフを示している。図２の上段の音の音信号をパワーで示したグラフが、図２の下段である。図２の範囲９００は、雑音を示している。

音信号の中から検出対象を検出したい場合がある。図２では、検出対象を音声とする。ここで、雑音のパワーは、音声のパワーより低い場合が多い。そこで、閾値を用いて、音声を検出する方法が考えられる。図２は、閾値９０１を示している。例えば、閾値９０１以上の区間が、検出対象区間として、検出される。すなわち、検出対象区間が、音声の区間として、検出される。

ここで、雑音のパワーが急激に上がる場合がある。例えば、図２は、時刻ｔ９０以降に雑音のパワーが急激に上がったことを示している。例えば、図２の範囲９０２は、雑音を示している。雑音のパワーが急激に上がった場合、時刻ｔ９０以降の区間が検出対象区間として検出される。図２は、雑音のパワーが閾値を超えているため、音声以外に雑音も検出対象とされることを示している。

このように、図２の方法では、検出対象が精度良く検出できない。そこで、以下、検出対象が精度良く検出できる方法を説明する。

図３は、実施の形態１の情報処理装置が有する機能ブロック図である。情報処理装置１００は、取得部１１０、制御部１２０、及び出力部１３０を有する。

取得部１１０、制御部１２０、及び出力部１３０の一部又は全部は、プロセッサ１０１によって実現してもよい。取得部１１０、制御部１２０、及び出力部１３０の一部又は全部は、プロセッサ１０１が実行するプログラムのモジュールとして実現してもよい。例えば、プロセッサ１０１が実行するプログラムは、検出プログラムとも言う。例えば、検出プログラムは、記録媒体に記録されている。

取得部１１０は、音信号を取得する。例えば、音信号の音は、会議が行われる会議室内の音、電話の通話などである。また、例えば、音信号は、録音データに基づく信号である。

制御部１２０は、音信号に基づいて、時間経過に伴う音信号のパワーを算出する。言い換えれば、制御部１２０は、音信号に基づいて、音信号の時系列のパワーを算出する。以下、音信号のパワーは、音信号パワーと呼ぶ。なお、音信号パワーは、情報処理装置１００以外の装置によって算出されてもよい。

制御部１２０は、音信号を複数の区間に分割する。制御部１２０は、音信号を均等に分割してもよいし、音信号を不均等に分割してもよい。制御部１２０は、音信号に基づいて、複数の区間のそれぞれの変動値を算出する。なお、変動値とは、区間時間当たりの変動量である。変動値は、区間時間当たりの音信号のパワーの変動量と考えてもよい。また、区間時間とは、１つの区間に対応する時間である。

制御部１２０は、複数の区間の中で、変動値が予め設定された閾値以下の区間を特定する。制御部１２０は、音信号に基づいて、特定された区間における音信号のパワーを算出する。すなわち、制御部１２０は、音信号に基づいて、特定された区間の音信号のパワーを算出する。制御部１２０は、特定された区間における音信号のパワーの中から最大値を特定する。制御部１２０は、最大値に基づく値を検出閾値に設定する。言い換えれば、制御部１２０は、最大値以上の値を検出閾値に設定する。例えば、制御部１２０は、予め決められた値を最大値に加算した値を検出閾値に設定する。制御部１２０は、音信号パワーの中で検出閾値以上の区間を検出対象区間として検出する。

出力部１３０は、検出対象区間を示す情報を出力する。例えば、出力部１３０は、検出対象区間を示す情報をディスプレイに出力する。また、例えば、出力部１３０は、情報処理装置１００に接続可能な外部装置に検出対象区間を示す情報を出力する。また、例えば、出力部１３０は、印刷装置を介して、紙媒体に検出対象区間を示す情報を出力する。

次に、情報処理装置１００が実行する処理を、フローチャートを用いて説明する。
図４は、実施の形態１の情報処理装置が実行する処理の例を示すフローチャートである。
（ステップＳ１１）取得部１１０は、音信号を取得する。
（ステップＳ１２）制御部１２０は、音信号をフレーム単位に分割し、フレーム毎にパワーを算出する。なお、例えば、フレームは、１０ｍｓｅｃである。
つまり、ステップＳ１２の処理では、音信号パワーが算出される。これにより、例えば、音信号パワーが、グラフで表現できる。

（ステップＳ１３）制御部１２０は、音信号を複数の区間に分割する。例えば、制御部１２０は、グラフで表現される音信号パワーを複数の区間に分割してもよい。なお、ステップＳ１２の複数のフレームは、１つの区間に属する。

（ステップＳ１４）制御部１２０は、音信号に基づいて、区間毎に変動値を算出する。また、制御部１２０は、音信号に基づいて、区間毎に分散値を算出してもよい。
分散値の算出を説明する。まず、区間における音信号のパワーｍが、式（１）により、算出される。Ｐは、パワーである。ｉは、フレーム番号である。また、ｉは、１～Ｎの値である。

そして、分散値ｖは、式（２）を用いて算出される。

（ステップＳ１５）制御部１２０は、変動値が予め設定された閾値以下の区間を特定する。分散値が算出された場合、制御部１２０は、分散値が予め設定された閾値以下の区間を特定する。
（ステップＳ１６）制御部１２０は、特定した区間における音信号のパワーを、式（１）を用いて算出する。
（ステップＳ１７）制御部１２０は、区間毎に算出されたパワーの中で最大値のパワーを特定する。制御部１２０は、当該最大値以上の値を検出閾値に設定する。

（ステップＳ１８）制御部１２０は、音信号パワーの中で検出閾値以上の区間を、音声区間として検出する。
（ステップＳ１９）出力部１３０は、音声区間を示す情報を出力する。例えば、出力部１３０は、音声区間の開始時刻と終了時刻を出力する。

図５は、実施の形態１の情報処理装置が実行する処理の具体例を示す。図５は、制御部１２０によって算出された音信号パワー１１のグラフを示している。例えば、図５のグラフの縦軸は、ｄＢである。図５のグラフの横軸は、時間である。図５は、時刻ｔ１以降に雑音のパワーが急激に上がったことを示している。

また、図５のグラフは、音声度１２を示している。音声度については、実施の形態２で説明する。
例えば、制御部１２０は、音信号パワー１１を複数の区間に分割する。制御部１２０は、区間毎に変動値を算出する。制御部１２０は、変動値が予め設定された閾値以下の区間を特定する。例えば、制御部１２０は、変動値が予め設定された閾値以下の区間１３ａ～１３ｅを特定する。これにより、例えば、区間１４は、除外される。なお、区間１４は、音声区間である。よって、制御部１２０は、音声区間以外の区間を特定する。すなわち、制御部１２０は、雑音区間を特定する。ここで、以下の説明では、区間１３ａ～１３ｅが特定されたものとする。

制御部１２０は、区間１３ａ～１３ｅのパワーを、式（１）を用いて算出する。制御部１２０は、区間１３ａ～１３ｅのパワーの中で最大値のパワーを特定する。制御部１２０は、当該最大値以上の値を検出閾値に設定する。図５は、検出閾値１５を示している。
制御部１２０は、音信号パワー１１の中で検出閾値１５以上の区間を、音声区間として検出する。例えば、制御部１２０は、区間１４を検出する。出力部１３０は、音声区間を示す情報を出力する。

実施の形態１によれば、情報処理装置１００は、雑音のパワーが急激に上がった場合でも、検出閾値を雑音のパワー以上に設定する。そのため、情報処理装置１００は、雑音区間を検出対象区間として、検出しない。例えば、情報処理装置１００は、区間１３ａ～１３ｅを検出しない。そして、情報処理装置１００は、音声区間を検出する。よって、情報処理装置１００は、検出対象である音声を精度良く検出できる。

実施の形態２．
次に、実施の形態２を説明する。実施の形態２では、実施の形態１と相違する事項を主に説明する。そして、実施の形態２では、実施の形態１と共通する事項の説明を省略する。実施の形態２の説明では、図１，３を参照する。

図６は、実施の形態２の情報処理装置が有する機能ブロック図である。図３に示される構成と同じ図６の構成は、図３に示される符号と同じ符号を付している。
情報処理装置１００ａは、制御部１２０ａを有する。制御部１２０ａについては、後で説明する。

図７は、実施の形態２の情報処理装置が実行する処理の例を示すフローチャートである。
（ステップＳ２１）取得部１１０は、音信号を取得する。
（ステップＳ２２）制御部１２０ａは、音信号をフレーム単位に分割し、フレーム毎にパワーを算出する。言い換えれば、制御部１２０ａは、音信号パワーを算出する。

（ステップＳ２３）制御部１２０ａは、音信号をフレーム単位に分割し、フレーム毎に音声度を算出する。音声度は、音声らしさの度合いである。例えば、制御部１２０ａは、ＧＭＭ（Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ｍｏｄｅｌ）、ＤＮＮ（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）などを用いて、音声度を算出する。

（ステップＳ２４）制御部１２０ａは、音信号を複数の区間に分割する。例えば、制御部１２０ａは、音信号パワーを複数の区間に分割してもよい。
（ステップＳ２５）制御部１２０ａは、音信号に基づいて、区間毎に変動値と音声度を算出する。例えば、制御部１２０ａは、複数の区間のうちの第１の区間の変動値と音声度を算出する。このように、制御部１２０ａは、同じ区間の変動値と音声度を算出する。

ここで、区間の音声度の算出について説明する。例えば、制御部１２０ａは、１つの区間に属する複数のフレームのそれぞれの音声度の平均値を、当該区間の音声度として、算出する。制御部１２０ａは、同様に、区間毎に音声度を算出する。

このように、制御部１２０ａは、複数の区間のそれぞれの音声度を音信号に基づいて算出する。詳細には、制御部１２０ａは、複数の区間のそれぞれの音声度を、ＧＭＭ、ＤＮＮなどの予め決められた方法と音信号とに基づいて算出する。

（ステップＳ２６）制御部１２０ａは、複数の区間の中で、変動値が予め設定された閾値以下であり、かつ音声度が音声度閾値以下である区間を特定する。なお、音声度閾値は、予め設定された閾値である。
（ステップＳ２７）制御部１２０ａは、特定した区間における音信号のパワーを、式（１）を用いて算出する。

（ステップＳ２８）制御部１２０ａは、区間毎に算出されたパワーの中で最大値のパワーを特定する。制御部１２０ａは、当該最大値以上の値を検出閾値に設定する。
（ステップＳ２９）制御部１２０ａは、音信号の中で検出閾値以上の区間を、音声区間として検出する。
（ステップＳ３０）出力部１３０は、音声区間を示す情報を出力する。

図８は、実施の形態２の情報処理装置が実行する処理の具体例を示す。図８は、制御部１２０ａによって算出された音信号パワー２１のグラフを示している。また、図８は、制御部１２０ａによって算出された音声度２２のグラフを示している。このように、図８では、音信号パワー２１のグラフと音声度２２のグラフとが混在している状態を示している。音信号パワー２１のグラフと音声度２２のグラフとは、分かれていてもよい。図８の横軸は、時間を示す。

ここで、例えば、図８の縦軸が示す０に対応する音声度は、音声らしさの度合いが５０％くらいであることを意味する。よって、例えば、０よりも大きい値に対応する音声度の区間は、音声区間と考えてもよい。また、例えば、０よりも小さい値に対応する音声度の区間は、雑音区間と考えてもよい。
制御部１２０ａは、音信号パワー２１を複数の区間に分割する。制御部１２０ａは、区間毎に変動値を算出する。また、制御部１２０ａは、区間毎に音声度を算出する。

制御部１２０ａは、変動値が予め設定された閾値以下であり、かつ音声度が音声度閾値以下である区間を特定する。ここで、音声度が音声度閾値以下である区間を、説明する。図８は、音声度閾値２３を示している。例えば、音声度が音声度閾値２３以下である区間は、区間２４ａ～２４ｅである。例えば、変動値が当該閾値以下であり、かつ音声度が音声度閾値２３以下である区間は、区間２５ａ～２５ｅである。以下の説明では、区間２５ａ～２５ｅが特定されたものとする。

制御部１２０ａは、区間２５ａ～２５ｅのパワーを、式（１）を用いて算出する。制御部１２０ａは、区間２５ａ～２５ｅのパワーの中で最大値のパワーを特定する。制御部１２０ａは、当該最大値以上の値を検出閾値に設定する。図８は、検出閾値２６を示している。
制御部１２０ａは、音信号パワー２１の中で検出閾値２６以上の区間を、音声区間として検出する。出力部１３０は、音声区間を示す情報を出力する。

実施の形態２によれば、情報処理装置１００ａは、音声度を用いることで、“あー”などの音声の音信号パワーが一定の区間を誤って雑音区間とみなすことを防止できる。

実施の形態３．
次に、実施の形態３を説明する。実施の形態３では、実施の形態１，２と相違する事項を主に説明する。そして、実施の形態３では、実施の形態１，２と共通する事項の説明を省略する。実施の形態３の説明では、図１，３，７を参照する。

図９は、実施の形態３の情報処理装置が有する機能ブロック図である。図３に示される構成と同じ図９の構成は、図３に示される符号と同じ符号を付している。
情報処理装置１００ｂは、制御部１２０ｂを有する。制御部１２０ｂについては、後で説明する。

図１０は、実施の形態３の情報処理装置が実行する処理の例を示すフローチャートである。
図１０の処理では、ステップＳ２６ａ，２６ｂ，２７ａ，２８ａが実行される点が、図７の処理と異なる。そのため、図１０では、ステップＳ２６ａ，２６ｂ，２７ａ，２８ａを説明する。図１０における他のステップについては、図７のステップ番号と同じ番号を付することによって、処理の説明を省略する。なお、ステップＳ２１～２５とステップＳ２９，３０は、制御部１２０ｂによって実行される。

（ステップＳ２６ａ）制御部１２０ｂは、複数の区間の中で、変動値が予め設定された閾値以下である区間を特定する。
（ステップＳ２６ｂ）制御部１２０ｂは、特定した区間の音声度を小さい順に並べる。なお、特定した区間の音声度は、ステップＳ２５で算出されている。
制御部１２０ｂは、小さい順に、予め設定された個数の区間を選択する。以下、予め設定された個数は、Ｎ個と表現する。なお、Ｎは、正の整数である。
このように、制御部１２０ｂは、小さい順に上位Ｎ個の区間を選択する。

（ステップＳ２７ａ）制御部１２０ｂは、音信号に基づいて、上位Ｎ個の区間における音信号のパワーを算出する。具体的には、制御部１２０ｂは、上位Ｎ個の区間における音信号のパワーを、式（１）を用いて算出する。
（ステップＳ２８ａ）制御部１２０ｂは、上位Ｎ個の区間における音信号のパワーの中で最大値を特定する。制御部１２０ｂは、当該最大値以上の値を検出閾値に設定する。

ここで、実施の形態２のように音声度閾値が設定され、１以上の区間が検出される。しかし、音声度閾値の値又は音声度によっては、１以上の区間が検出されない場合が考えられる。このような場合、実施の形態３が有効である。実施の形態３によれば、Ｎ個の区間が選択される。そして、情報処理装置１００ｂは、ステップＳ２９で音声区間を検出する。これにより、情報処理装置１００ｂは、検出対象である音声を精度良く検出できる。

実施の形態４．
次に、実施の形態４を説明する。実施の形態４では、実施の形態１と相違する事項を主に説明する。そして、実施の形態４では、実施の形態１と共通する事項の説明を省略する。実施の形態４の説明では、図１，３を参照する。

図１１は、実施の形態４の情報処理装置が有する機能ブロック図である。図３に示される構成と同じ図１１の構成は、図３に示される符号と同じ符号を付している。
情報処理装置１００ｃは、制御部１２０ｃを有する。制御部１２０ｃについては、後で説明する。

図１２は、実施の形態４の情報処理装置が実行する処理の例を示すフローチャート（その１）である。
（ステップＳ３１）取得部１１０は、音信号を取得する。
（ステップＳ３２）制御部１２０ｃは、音信号をフレーム単位に分割し、フレーム毎にパワーを算出する。言い換えれば、制御部１２０ｃは、音信号パワーを算出する。

（ステップＳ３３）制御部１２０ｃは、音信号を複数の区間に分割する。例えば、制御部１２０ｃは、音信号パワーを複数の区間に分割してもよい。
（ステップＳ３４）制御部１２０ｃは、音信号に基づいて、区間毎に変動値を算出する。

（ステップＳ３５）制御部１２０ｃは、複数の区間の中で、変動値が予め設定された閾値以下である区間を特定する。
（ステップＳ３６）制御部１２０ｃは、特定した区間における音信号のパワーを、式（１）を用いて算出する。そして、制御部１２０ｃは、処理をステップＳ４１に進める。

図１３は、実施の形態４の情報処理装置が実行する処理の例を示すフローチャート（その２）である。
（ステップＳ４１）制御部１２０ｃは、ステップＳ３５で特定した区間の中から１つの区間を選択する。
（ステップＳ４２）制御部１２０ｃは、選択した区間における音信号のパワー以上を仮検出閾値に設定する。なお、選択した区間における音信号のパワーは、ステップＳ３６で算出されている。

（ステップＳ４３）制御部１２０ｃは、音信号パワーの中で仮検出閾値以上の区間の数を検出する。
（ステップＳ４４）制御部１２０ｃは、ステップＳ３５で特定した全ての区間を選択したか否かを判定する。全ての区間を選択した場合、制御部１２０ｃは、処理をステップＳ４５に進める。選択していない区間がある場合、制御部１２０ｃは、処理をステップＳ４１に進める。

このように、制御部１２０ｃは、ステップＳ３５で特定した区間毎に、区間における音信号のパワーに基づく値を仮検出閾値に設定し、音信号パワーの中で仮検出閾値以上の区間の数を検出する。

（ステップＳ４５）制御部１２０ｃは、ステップＳ３５で特定した区間毎に設定された仮検出閾値の中から、ステップＳ４３で検出された区間の数が最大であるときの仮検出閾値を検出閾値として検出する。
（ステップＳ４６）制御部１２０ｃは、ステップＳ４５で検出された仮検出閾値を用いて検出されたときの区間を、音声区間として検出する。言い換えれば、制御部１２０ｃは、検出閾値を用いて検出されたときの区間を、音声区間として検出する。
（ステップＳ４７）出力部１３０は、音声区間を示す情報を出力する。

図１４は、実施の形態４の情報処理装置が実行する処理の具体例（その１）を示す。図１４は、制御部１２０ｃによって算出された音信号パワー３１のグラフを示している。図１４は、制御部１２０ｃがステップＳ３５で特定した区間３２ａ～３２ｅを示している。

制御部１２０ｃは、区間３２ａ～３２ｅの中から区間３２ａを選択する。制御部１２０ｃは、区間３２ａのパワー以上を仮検出閾値に設定する。図１４は、設定された仮検出閾値３３を示している。制御部１２０ｃは、音信号パワー３１の中で、仮検出閾値３３以上の区間を検出する。例えば、制御部１２０ｃは、区間Ａ１～Ａ３を検出する。すなわち、制御部１２０ｃは、３つの区間を検出する。

図１５は、実施の形態４の情報処理装置が実行する処理の具体例（その２）を示す。次に、制御部１２０ｃは、区間３２ｂを選択する。制御部１２０ｃは、区間３２ｂのパワー以上を仮検出閾値に設定する。図１５は、設定された仮検出閾値３４を示している。制御部１２０ｃは、音信号パワー３１の中で、仮検出閾値３４以上の区間を検出する。例えば、制御部１２０ｃは、区間Ｂ１～Ｂ２１を検出する。すなわち、制御部１２０ｃは、２１の区間を検出する。

制御部１２０ｃは、区間３２ｃ～３２ｅも同様の処理を実行する。
制御部１２０ｃは、ステップＳ４３で検出された区間の数が最大であるときの仮検出閾値を検出する。制御部１２０ｃは、ステップＳ４５で検出された仮検出閾値を用いて検出されたときの区間を、音声区間として検出する。

実施の形態４によれば、情報処理装置１００ｃは、複数の仮検出閾値を用いて音声区間を検出する。言い換えれば、情報処理装置１００ｃは、仮検出閾値を変動させて音声区間を検出する。例えば、実施の形態１のように、検出閾値を一意に決めるよりも仮検出閾値を変動させた方が、音声区間を検出する精度を高めることができる。
なお、検出した区間数が一番多いものを最終的な検出結果とする理由は、ノイズパワー（すなわち、雑音のパワー）が不適切な場合、実際の音声区間数よりも検出される区間数が減少するからである。すなわち、ノイズパワーが不適切に低い場合、複数の音声区間がまとめて１区間として検出されるので検出数が少なくなる。一方、ノイズパワーが不適切に高い場合、パワーの小さい音声区間が検出漏れになるため、やはり検出数が少なくなる。

実施の形態４の変形例．
次に、実施の形態４の変形例を説明する。
図１６は、実施の形態４の変形例を示すフローチャート（その１）である。図１６の処理では、ステップＳ３２ａ，３４ａ，３５ａ，３６ａが実行される点が、図１２の処理と異なる。そのため、図１６では、ステップＳ３２ａ，３４ａ，３５ａ，３６ａを説明する。図１６における他のステップについては、図１２のステップ番号と同じ番号を付することによって、処理の説明を省略する。

（ステップＳ３２ａ）制御部１２０ｃは、音信号をフレーム単位に分割し、フレーム毎に音声度を算出する。
（ステップＳ３４ａ）制御部１２０ｃは、音信号に基づいて、区間毎に変動値と音声度を算出する。
（ステップＳ３５ａ）制御部１２０ｃは、特定した区間の音声度を小さい順に並べる。制御部１２０ｃは、小さい順に上位Ｎ個の区間を選択する。

（ステップＳ３６ａ）制御部１２０ｂは、音信号に基づいて、上位Ｎ個の区間における音信号のパワーを算出する。具体的には、制御部１２０ｂは、上位Ｎ個の区間における音信号のパワーを、式（１）を用いて算出する。そして、制御部１２０ｂは、処理をステップＳ４１ａに進める。

図１７は、実施の形態４の変形例を示すフローチャート（その２）である。図１７の処理では、ステップＳ４１ａ，４２ａ，４４ａが実行される点が、図１３の処理と異なる。そのため、図１７では、ステップＳ４１ａ，４２ａ，４４ａを説明する。図１７における他のステップについては、図１３のステップ番号と同じ番号を付することによって、処理の説明を省略する。

（ステップＳ４１ａ）制御部１２０ｃは、上位Ｎ個の区間の中から１つの区間を選択する。
（ステップＳ４２ａ）制御部１２０ｃは、選択した区間における音信号のパワー以上を仮検出閾値に設定する。なお、選択した区間における音信号のパワーは、ステップＳ３６ａで算出されている。

（ステップＳ４４ａ）制御部１２０ｃは、上位Ｎ個の区間を選択したか否かを判定する。上位Ｎ個の区間を選択した場合、制御部１２０ｃは、処理をステップＳ４５に進める。選択していない区間がある場合、制御部１２０ｃは、処理をステップＳ４１ａに進める。
このように、制御部１２０ｃは、上位Ｎ個の区間毎に、区間における音信号のパワーに基づく値を仮検出閾値に設定し、音信号パワーの中で仮検出閾値以上の区間の数を検出する。

実施の形態４の変形例によれば、情報処理装置１００ｃは、音声区間を検出する精度を高めることができる。

実施の形態５．
次に、実施の形態５を説明する。実施の形態５では、実施の形態１と相違する事項を主に説明する。そして、実施の形態５では、実施の形態１と共通する事項の説明を省略する。実施の形態５の説明では、図１，３を参照する。
実施の形態１～４では、音声区間を検出対象区間として検出する場合を説明した。実施の形態５では、非定常雑音区間を検出対象区間として検出する場合を説明する。

図１８は、実施の形態５の情報処理装置が有する機能ブロック図である。図３に示される構成と同じ図１８の構成は、図３に示される符号と同じ符号を付している。
情報処理装置１００ｄは、制御部１２０ｄと出力部１３０ｄを有する。制御部１２０ｄと出力部１３０ｄについては、後で説明する。

図１９は、実施の形態５の情報処理装置が実行する処理の例を示すフローチャート（その１）である。
（ステップＳ５１）取得部１１０は、音信号を取得する。
（ステップＳ５２）制御部１２０ｄは、音信号をフレーム単位に分割し、フレーム毎にパワーを算出する。言い換えれば、制御部１２０ｄは、音信号パワーを算出する。

（ステップＳ５３）制御部１２０ｄは、音信号をフレーム単位に分割し、フレーム毎に音声度を算出する。言い換えれば、制御部１２０ａは、時間経過に伴う音声度を、ＧＭＭ、ＤＮＮなどの予め決められた方法と音信号とに基づいて算出する。ここで、時間経過に伴う音声度は、時系列の音声度と表現してもよい。

（ステップＳ５４）制御部１２０ｄは、音声度が音声度閾値以上の区間を特定する。これにより、制御部１２０ｄは、音声区間を特定する。なお、音声区間が特定されない場合、制御部１２０ｄは、音声度閾値を下げてもよい。
（ステップＳ５５）制御部１２０ｄは、特定した区間以外の区間を特定する。これにより、制御部１２０ｄは、非定常雑音区間候補を特定する。

また、制御部１２０ｄは、ステップＳ５４とステップＳ５５に変えて、次の処理を実行してもよい。制御部１２０ｄは、音声度が音声度閾値未満の区間を特定する。これにより、制御部１２０ｄは、非定常雑音区間候補を特定する。そして、制御部１２０ｄは、処理をステップＳ６１に進める。

図２０は、実施の形態５の情報処理装置が実行する処理の例を示すフローチャート（その２）である。以下の説明では、１つの非定常雑音区間候補が特定されたものとする。また、複数の非定常雑音区間候補が特定された場合、図２０の処理が非定常雑音区間候補の数だけ繰り返される。

（ステップＳ６１）制御部１２０ｄは、１つの非定常雑音区間候補を複数の区間に分割する。なお、制御部１２０ｄは、非定常雑音区間候補を均等に分割してもよいし、非定常雑音区間候補を不均等に分割してもよい。
（ステップＳ６２）制御部１２０ｄは、音信号に基づいて、複数の区間のそれぞれの変動値を算出する。

（ステップＳ６３）制御部１２０ｄは、複数の区間の中で、変動値が予め設定された閾値以下である区間を特定する。
（ステップＳ６４）制御部１２０ｄは、音信号に基づいて、特定した区間における音信号のパワーを算出する。具体的には、制御部１２０ｄは、特定した区間における音信号のパワーを、式（１）を用いて算出する。

（ステップＳ６５）制御部１２０ｄは、特定された区間における音信号のパワーの中から最大値を特定する。制御部１２０ｄは、当該最大値以上の値を検出閾値に設定する。
（ステップＳ６６）制御部１２０ｄは、非定常雑音区間候補内であり、かつ音信号パワーの中で検出閾値以上の区間を、非定常雑音区間として検出する。
（ステップＳ６７）出力部１３０ｄは、検出対象区間である非定常雑音区間を示す情報を出力する。例えば、出力部１３０は、非定常雑音区間の開始時刻と終了時刻を出力する。

図２１は、実施の形態５の情報処理装置が実行する処理の具体例（その１）を示す。図２１は、制御部１２０ｄによって算出された音信号パワー４１のグラフを示している。また、図２１は、音声度４２のグラフを示している。さらに、図１２は、音声度閾値４３を示している。
制御部１２０ｄは、音声度が音声度閾値４３以上の区間を特定する。図２１は、特定された区間である音声区間を示している。

図２２は、実施の形態５の情報処理装置が実行する処理の具体例（その２）を示す。制御部１２０ｄは、特定した区間以外の区間を特定する。図２２は、特定された区間である非定常雑音区間候補を示している。

例えば、制御部１２０ｄは、非定常雑音区間候補１を複数の区間に分割する。制御部１２０ｄは、区間毎に変動値を算出する。制御部１２０ｄは、変動値が予め設定された閾値以下である区間を特定する。制御部１２０ｄは、特定した区間における音信号のパワーを算出する。制御部１２０ｄは、区間毎に算出されたパワーの中で最大値のパワーを特定する。制御部１２０ｄは、当該最大値以上の値を検出閾値に設定する。制御部１２０ｄは、非定常雑音区間候補１内であり、かつ音信号パワー４１の中で検出閾値以上の区間を、非定常雑音区間として検出する。
情報処理装置１００ｄは、同様に、非定常雑音区間候補２～６の中から非定常雑音区間を検出することができる。

実施の形態５によれば、情報処理装置１００ｄは、音声度を用いることで音声を安定して検出することができる。また、情報処理装置１００ｄは、非定常雑音の検出に関して、音声以外の区間を対象として、非定常雑音候補区間ごとに検出閾値を設定するので、高精度に非定常雑音を検出できる。

以上に説明した各実施の形態における特徴は、互いに適宜組み合わせることができる。

１１ 音信号パワー、 １２ 音声度、 １３ａ～１３ｅ 区間、 １４ 区間、 １５ 検出閾値、 ２１ 音信号パワー、 ２２ 音声度、 ２３ 音声度閾値、 ２４ａ～２４ｅ 区間、 ２５ａ～２５ｅ 区間、 ２６ 検出閾値、 ３１ 音信号パワー、 ３２ａ～３２ｅ 区間、 ３３ 仮検出閾値、 ３４ 仮検出閾値、 ４１ 音信号パワー、 ４２ 音声度、 ４３ 音声度閾値、 １００，１００ａ，１００ｂ，１００ｃ，１００ｄ 情報処理装置、 １０１ プロセッサ、 １０２ 揮発性記憶装置、 １０３ 不揮発性記憶装置、 １１０ 取得部、 １２０，１２０ａ，１２０ｂ，１２０ｃ，１２０ｄ 制御部、 １３０，１３０ｄ 出力部、 ９００ 範囲、 ９０１ 閾値、 ９０２ 範囲。

Claims (17)

1. 音信号を取得する取得部と、
   前記音信号を複数の区間に分割し、前記音信号に基づいて、前記複数の区間のそれぞれの、区間時間当たりの変動量である変動値を算出し、前記複数の区間のそれぞれの、音声らしさの度合いである音声度を前記音信号に基づいて算出し、前記複数の区間の中で、前記変動値が予め設定された閾値以下であり、かつ前記音声度が予め設定された閾値以下である区間を特定し、前記音信号に基づいて、特定された区間における前記音信号のパワーを算出し、特定された区間における前記音信号のパワーの中から最大値を特定し、前記最大値に基づく値を検出閾値に設定し、時間経過に伴う前記音信号のパワーの中で前記検出閾値以上の区間を検出対象区間として検出する制御部と、
   を有する情報処理装置。
2. 音信号を取得する取得部と、
   前記音信号を複数の区間に分割し、前記音信号に基づいて、前記複数の区間のそれぞれの、区間時間当たりの変動量である変動値を算出し、前記複数の区間のそれぞれの、音声らしさの度合いである音声度を前記音信号に基づいて算出し、前記複数の区間の中で、前記変動値が予め設定された閾値以下の区間を特定し、特定された区間の前記音声度を小さい順に並べ、小さい順に予め設定された個数の区間を選択し、前記音信号に基づいて、選択された区間における前記音信号のパワーを算出し、選択された区間における前記音信号のパワーの中から最大値を特定し、前記最大値に基づく値を検出閾値に設定し、時間経過に伴う前記音信号のパワーの中で前記検出閾値以上の区間を検出対象区間として検出する制御部と、
   を有する情報処理装置。
3. 音信号を取得する取得部と、
   前記音信号を複数の区間に分割し、前記音信号に基づいて、前記複数の区間のそれぞれの、区間時間当たりの変動量である変動値を算出し、前記複数の区間の中で、前記変動値が予め設定された閾値以下の区間を特定し、特定された区間毎に、区間における前記音信号のパワーに基づく値を仮検出閾値に設定し、時間経過に伴う前記音信号のパワーの中で、設定された仮検出閾値以上の区間の数を検出し、特定された区間毎に設定された仮検出閾値の中から、区間の数が最大であるときの仮検出閾値を検出閾値として検出し、前記検出閾値を用いて検出されたときの区間を、検出対象区間として検出する制御部と、
   を有する情報処理装置。
4. 音信号を取得する取得部と、
   前記音信号を複数の区間に分割し、前記音信号に基づいて、前記複数の区間のそれぞれの、区間時間当たりの変動量である変動値を算出し、前記複数の区間のそれぞれの、音声らしさの度合いである音声度を前記音信号に基づいて算出し、前記複数の区間の中で、前記変動値が予め設定された閾値以下の区間を特定し、特定された区間の前記音声度を小さい順に並べ、小さい順に予め設定された個数の区間を選択し、前記音信号に基づいて、選択された区間における前記音信号のパワーを算出し、選択された区間毎に、区間における前記音信号のパワーに基づく値を仮検出閾値に設定し、時間経過に伴う前記音信号のパワーの中で、設定された仮検出閾値以上の区間の数を検出し、選択された区間毎に設定された仮検出閾値の中から、区間の数が最大であるときの仮検出閾値を検出閾値として検出し、前記検出閾値を用いて検出されたときの区間を、検出対象区間として検出する制御部と、
   を有する情報処理装置。
5. 前記制御部は、前記検出対象区間を音声区間として検出する、
   請求項１から４のいずれか１項に記載の情報処理装置。
6. 音信号を取得する取得部と、
   時間経過に伴う、かつ音声らしさの度合いである音声度を前記音信号に基づいて算出し、時間経過に伴う前記音声度の中で、前記音声度が予め設定された閾値未満の区間を、非定常雑音区間候補として、特定し、前記非定常雑音区間候補を複数の区間に分割し、前記音信号に基づいて、分割された複数の区間のそれぞれの、区間時間当たりの変動量である変動値を算出し、分割された複数の区間の中で、前記変動値が予め設定された閾値以下の区間を特定し、前記音信号に基づいて、特定された区間における前記音信号のパワーを算出し、特定された区間における前記音信号のパワーの中から最大値を特定し、特定された最大値に基づく値を検出閾値に設定し、前記非定常雑音区間候補内であり、かつ時間経過に伴う前記音信号のパワーの中で前記検出閾値以上の区間を非定常雑音区間として検出する制御部と、
   を有する情報処理装置。
7. 検出された区間を示す情報を出力する出力部をさらに有する、
   請求項１から６のいずれか１項に記載の情報処理装置。
8. 情報処理装置が、
   音信号を取得し、
   前記音信号を複数の区間に分割し、
   前記音信号に基づいて、前記複数の区間のそれぞれの、区間時間当たりの変動量である変動値を算出し、前記複数の区間のそれぞれの、音声らしさの度合いである音声度を前記音信号に基づいて算出し、
   前記複数の区間の中で、前記変動値が予め設定された閾値以下であり、かつ前記音声度が予め設定された閾値以下である区間を特定し、
   前記音信号に基づいて、特定された区間における前記音信号のパワーを算出し、
   特定された区間における前記音信号のパワーの中から最大値を特定し、
   前記最大値に基づく値を検出閾値に設定し、
   時間経過に伴う前記音信号のパワーの中で前記検出閾値以上の区間を検出対象区間として検出する、
   検出方法。
9. 情報処理装置が、
   音信号を取得し、
   前記音信号を複数の区間に分割し、
   前記音信号に基づいて、前記複数の区間のそれぞれの、区間時間当たりの変動量である変動値を算出し、前記複数の区間のそれぞれの、音声らしさの度合いである音声度を前記音信号に基づいて算出し、
   前記複数の区間の中で、前記変動値が予め設定された閾値以下の区間を特定し、
   特定された区間の前記音声度を小さい順に並べ、
   小さい順に予め設定された個数の区間を選択し、
   前記音信号に基づいて、選択された区間における前記音信号のパワーを算出し、
   選択された区間における前記音信号のパワーの中から最大値を特定し、
   前記最大値に基づく値を検出閾値に設定し、
   時間経過に伴う前記音信号のパワーの中で前記検出閾値以上の区間を検出対象区間として検出する、
   検出方法。
10. 情報処理装置が、
    音信号を取得し、
    前記音信号を複数の区間に分割し、
    前記音信号に基づいて、前記複数の区間のそれぞれの、区間時間当たりの変動量である変動値を算出し、
    前記複数の区間の中で、前記変動値が予め設定された閾値以下の区間を特定し、
    特定された区間毎に、区間における前記音信号のパワーに基づく値を仮検出閾値に設定し、時間経過に伴う前記音信号のパワーの中で、設定された仮検出閾値以上の区間の数を検出し、
    特定された区間毎に設定された仮検出閾値の中から、区間の数が最大であるときの仮検出閾値を検出閾値として検出し、
    前記検出閾値を用いて検出されたときの区間を、検出対象区間として検出する、
    検出方法。
11. 情報処理装置が、
    音信号を取得し、
    前記音信号を複数の区間に分割し、
    前記音信号に基づいて、前記複数の区間のそれぞれの、区間時間当たりの変動量である変動値を算出し、
    前記複数の区間のそれぞれの、音声らしさの度合いである音声度を前記音信号に基づいて算出し、
    前記複数の区間の中で、前記変動値が予め設定された閾値以下の区間を特定し、
    特定された区間の前記音声度を小さい順に並べ、小さい順に予め設定された個数の区間を選択し、
    前記音信号に基づいて、選択された区間における前記音信号のパワーを算出し、
    選択された区間毎に、区間における前記音信号のパワーに基づく値を仮検出閾値に設定し、時間経過に伴う前記音信号のパワーの中で、設定された仮検出閾値以上の区間の数を検出し、
    選択された区間毎に設定された仮検出閾値の中から、区間の数が最大であるときの仮検出閾値を検出閾値として検出し、
    前記検出閾値を用いて検出されたときの区間を、検出対象区間として検出する、
    検出方法。
12. 情報処理装置が、
    音信号を取得し、
    時間経過に伴う、かつ音声らしさの度合いである音声度を前記音信号に基づいて算出し、
    時間経過に伴う前記音声度の中で、前記音声度が予め設定された閾値未満の区間を、非定常雑音区間候補として、特定し、
    前記非定常雑音区間候補を複数の区間に分割し、
    前記音信号に基づいて、分割された複数の区間のそれぞれの、区間時間当たりの変動量である変動値を算出し、
    分割された複数の区間の中で、前記変動値が予め設定された閾値以下の区間を特定し、
    前記音信号に基づいて、特定された区間における前記音信号のパワーを算出し、
    特定された区間における前記音信号のパワーの中から最大値を特定し、
    特定された最大値に基づく値を検出閾値に設定し、
    前記非定常雑音区間候補内であり、かつ時間経過に伴う前記音信号のパワーの中で前記検出閾値以上の区間を非定常雑音区間として検出する、
    検出方法。
13. 情報処理装置に、
    音信号を取得し、
    前記音信号を複数の区間に分割し、
    前記音信号に基づいて、前記複数の区間のそれぞれの、区間時間当たりの変動量である変動値を算出し、前記複数の区間のそれぞれの、音声らしさの度合いである音声度を前記音信号に基づいて算出し、
    前記複数の区間の中で、前記変動値が予め設定された閾値以下であり、かつ前記音声度が予め設定された閾値以下である区間を特定し、
    前記音信号に基づいて、特定された区間における前記音信号のパワーを算出し、
    特定された区間における前記音信号のパワーの中から最大値を特定し、
    前記最大値に基づく値を検出閾値に設定し、
    時間経過に伴う前記音信号のパワーの中で前記検出閾値以上の区間を検出対象区間として検出する、
    処理を実行させる検出プログラム。
14. 情報処理装置に、
    音信号を取得し、
    前記音信号を複数の区間に分割し、
    前記音信号に基づいて、前記複数の区間のそれぞれの、区間時間当たりの変動量である変動値を算出し、前記複数の区間のそれぞれの、音声らしさの度合いである音声度を前記音信号に基づいて算出し、
    前記複数の区間の中で、前記変動値が予め設定された閾値以下の区間を特定し、
    特定された区間の前記音声度を小さい順に並べ、
    小さい順に予め設定された個数の区間を選択し、
    前記音信号に基づいて、選択された区間における前記音信号のパワーを算出し、
    選択された区間における前記音信号のパワーの中から最大値を特定し、
    前記最大値に基づく値を検出閾値に設定し、
    時間経過に伴う前記音信号のパワーの中で前記検出閾値以上の区間を検出対象区間として検出する、
    処理を実行させる検出プログラム。
15. 情報処理装置に、
    音信号を取得し、
    前記音信号を複数の区間に分割し、
    前記音信号に基づいて、前記複数の区間のそれぞれの、区間時間当たりの変動量である変動値を算出し、
    前記複数の区間の中で、前記変動値が予め設定された閾値以下の区間を特定し、
    特定された区間毎に、区間における前記音信号のパワーに基づく値を仮検出閾値に設定し、時間経過に伴う前記音信号のパワーの中で、設定された仮検出閾値以上の区間の数を検出し、
    特定された区間毎に設定された仮検出閾値の中から、区間の数が最大であるときの仮検出閾値を検出閾値として検出し、
    前記検出閾値を用いて検出されたときの区間を、検出対象区間として検出する、
    処理を実行させる検出プログラム。
16. 情報処理装置に、
    音信号を取得し、
    前記音信号を複数の区間に分割し、
    前記音信号に基づいて、前記複数の区間のそれぞれの、区間時間当たりの変動量である変動値を算出し、
    前記複数の区間のそれぞれの、音声らしさの度合いである音声度を前記音信号に基づいて算出し、
    前記複数の区間の中で、前記変動値が予め設定された閾値以下の区間を特定し、
    特定された区間の前記音声度を小さい順に並べ、小さい順に予め設定された個数の区間を選択し、
    前記音信号に基づいて、選択された区間における前記音信号のパワーを算出し、
    選択された区間毎に、区間における前記音信号のパワーに基づく値を仮検出閾値に設定し、時間経過に伴う前記音信号のパワーの中で、設定された仮検出閾値以上の区間の数を検出し、
    選択された区間毎に設定された仮検出閾値の中から、区間の数が最大であるときの仮検出閾値を検出閾値として検出し、
    前記検出閾値を用いて検出されたときの区間を、検出対象区間として検出する、
    処理を実行させる検出プログラム。
17. 情報処理装置に、
    音信号を取得し、
    時間経過に伴う、かつ音声らしさの度合いである音声度を前記音信号に基づいて算出し、
    時間経過に伴う前記音声度の中で、前記音声度が予め設定された閾値未満の区間を、非定常雑音区間候補として、特定し、
    前記非定常雑音区間候補を複数の区間に分割し、
    前記音信号に基づいて、分割された複数の区間のそれぞれの、区間時間当たりの変動量である変動値を算出し、
    分割された複数の区間の中で、前記変動値が予め設定された閾値以下の区間を特定し、
    前記音信号に基づいて、特定された区間における前記音信号のパワーを算出し、
    特定された区間における前記音信号のパワーの中から最大値を特定し、
    特定された最大値に基づく値を検出閾値に設定し、
    前記非定常雑音区間候補内であり、かつ時間経過に伴う前記音信号のパワーの中で前記検出閾値以上の区間を非定常雑音区間として検出する、
    処理を実行させる検出プログラム。

Images