雑音・残響の中で人の声を聞き取る

図：高機能収音技術のイメージこれまでは、背景雑音や残響の影響を極力少なくするために、接話型のマイクロホンが広く用いられてきました。しかし、マイクロホンに近づいて話さなければならないことは、状況によっては煩わしさを伴います。これに対し、コミュニケーションシーンを自動的に分析し、各音声を高い精度で抽出する技術を確立すれば、マイクロホンを意識しないで自由な場所から話すことができるようになります。さらにコンピュータによる音声認識と組み合わせることで、例えば、リモコン代わりに音声を使って家電製品をコントロールしたり、自由に動き回るロボットと自然にインタラクションしたりすることが可能となります。また会議の議事録を自動的に作成するシステムにおいて、各参加者に１つずつマイクホロンを用意する必要がなく、部屋やテーブル上などに自由にマイクロホンを設置できるようになります。さらに人と人との会話においても、雑音や残響を除去して音声の明瞭性を高めることは重要です。例えばテレビ会議や携帯電話への応用が考えられます。

より快適な音声コミュニケーション環境構築のためには、コンピュータが周囲の音環境を自動で理解する技術が重要となります。そこで私たちは、会議などで複数の人が会話をしている中から「いつ誰が話したか？」を推定する、話者区間推定（ダイアライゼーション）技術の研究をすすめています。本技術を用いると、各話者の音声を認識するための認識対象区間を精度よく推定したり、対話エージェントが会話の流れをとらえ、タイミングよく発言したりできるようになります。

雑音除去や残響除去などの音声強調技術は、音声認識システムを日常の環境で使えるようにするためのキーテクノロジーです。従来から様々な音声強調方法が提案されてきましたが、その処理音声の性質は音声認識で用いられる音響モデル※と必ずしもマッチせず、高精度な音声認識に直結はしていませんでした。これに対し、私たちは、音声の確率モデルを用い、出力音声がより音声らしくなるように処理を制御しながら音声強調を行う方法を検討しています。

※音素毎の周波数パターンを表した、音声の確率モデル

私たちが普段聞く音は、別々の場所で生じている様々な音の集合です。私たちの研究グループでは、そのような複雑な音を、個々の音源から生じている音と空間中での音の伝わり方（音源の方向、残響）とに自動的に分解する技術を検討しています。この技術は、雑音除去、残響除去、音源方向推定などの色々な音響信号処理を統一的に行う基盤となります。私たちは、この理論基盤を構築するとともに、会議音声の収録のような現実的なシナリオにおいても、各話者の音声、残響、音源方向を同時に推定する方法を考案しています。