JP6967966B2 - オーディオ通信内の音声データを背景データから分離する方法及び機器 - Google Patents

Description

技術分野
本発明は、一般に通信内の音響雑音を抑制することに関する。具体的には、本発明はオーディオ通信内の音声データを背景データから分離する方法及び機器に関する。

背景
この節は、以下に記載の及び／又は特許請求の範囲に記載の本開示の様々な態様に関係し得る技術の様々な側面を読者に紹介することを意図する。この解説は、本開示の様々な態様をより良く理解するのを助けるための背景情報を読者に与えるのに有用だと考えられる。従って、これらの記述は従来技術の承認としてではなく、かかる観点から読まれるべきことを理解すべきである。

オーディオ通信、とりわけ無線通信は、例えば交通量の多い道やバーの中等の雑音のある環境で着呼される場合がある。その場合、背景雑音が原因で通信内の一方が音声を理解することが非常に困難となる場合が多くある。従って、音声の明瞭度を向上させるために有益となる、不所望の背景雑音を抑制すると共に目的の音声を保つことがオーディオ通信における重要な問題である。

受聴者の通信装置上で抑制が実装される雑音抑制の遠端実装と、話者の通信装置上で抑制が実装される近端実装とがある。先に言及した受聴者又は話者の通信装置は、スマートフォンやタブレット等であり得ることが理解され得る。商業的観点からは遠端実装の方が魅力的である。

従来技術は、オーディオ通信向けの雑音抑制を実現する幾つかの知られている解決策を含む。

この点に関する知られている解決策の１つは音声強調と呼ばれている。Y. Ephraim及びD. Malah著「Speech enhancement using a minimum mean square error short-time spectral amplitude estimator」IEEE Trans. Acoust. Speech Signal Process. 32, 1109-1121, 1984（以下参考文献１と呼ぶ）の中で或る例示的方法が論じられた。しかし、音声強調のかかる解決策には幾つかの不利点がある。音声強調は、定常雑音、即ち時間不変のスペクトル特性を有する雑音によって表わされる背景しか抑制しない。

もう１つの知られている解決策は、オンラインソース分離と呼ばれている。L. S. R. Simon及びE. Vincent著「A general framework for online audio source separation」International conference on Latent Variable Analysis and Signal Separation, Tel-Aviv, Israel, Mar. 2012（以下参考文献２と呼ぶ）の中で或る例示的方法が論じられた。オンラインソース分離の解決策は非定常背景を扱うことを可能にし、音声と背景の両ソースの高度なスペクトルモデルに通常基づく。しかし、オンラインソース分離は、分離しようとする実際のソースをソースモデルが適切に表すかどうかに強く依存する。

その結果、通話品質を改善することができるようにオーディオ通信の音声データを背景データから分離するために、オーディオ通信における雑音抑制を改善することが引き続き求められている。

概要
本発明の開示は、オーディオ通信内の音声データを背景データから分離する機器及び方法について記載する。

第１の態様によれば、オーディオ通信内の音声データを背景データから分離する方法が提案される。この方法は、オーディオ通信に、オーディオ通信の音声データを背景データから分離する音声モデルを適用するステップと、オーディオ通信中の音声データ及び背景データに応じて音声モデルを更新するステップとを含む。

一態様では、更新済みの音声モデルをオーディオ通信に適用する。

一態様では、発呼者の通話頻度及び通話時間に応じて、オーディオ通信の発呼者に関連する音声モデルを適用する。

一態様では、発呼者の通話頻度及び通話時間に応じて、オーディオ通信の発呼者に関連しない音声モデルを適用する。

一態様では、この方法は、オーディオ通信後に、利用者との次回のオーディオ通信内で使用する、更新済みの音声モードを記憶するステップを更に含む。

一態様では、この方法は、発呼者の通話頻度及び通話時間に応じて、オーディオ通信後に音声モデルをオーディオ通信の発呼者に関連するように変更するステップを更に含む。

第２の態様によれば、オーディオ通信内の音声データを背景データから分離する機器が提案される。この機器は、オーディオ通信に、オーディオ通信の音声データを背景データから分離する音声モデルを適用する適用ユニットと、オーディオ通信中の音声データ及び背景データに応じて音声モデルを更新する更新ユニットとを含む。

一態様では、適用ユニットが更新済みの音声モデルをオーディオ通信に適用する。

一態様では、発呼者の通話頻度及び通話時間に応じて、適用ユニットがオーディオ通信の発呼者に関連する音声モデルを適用する。

一態様では、発呼者の通話頻度及び通話時間に応じて、適用ユニットがオーディオ通信の発呼者に関連しない音声モデルを適用する。

一態様では、この機器は、オーディオ通信後に、利用者との次回のオーディオ通信内で使用する、更新済みの音声モードを記憶する記憶ユニットを更に含む。

一態様では、この機器は、発呼者の通話頻度及び通話時間に応じて、オーディオ通信後に音声モデルをオーディオ通信の発呼者に関連するように変更する変更ユニットを更に含む。

第３の態様によれば、通信ネットワークからダウンロード可能であり、コンピュータによって読取可能な媒体上に記録され、且つ／又はプロセッサによって実行可能なコンピュータプログラム製品が提案される。コンピュータプログラムは、本発明の開示の第２の態様による方法のステップを実施するプログラムコード命令を含む。

第４の態様によれば、そこに記録され、プロセッサによって実行され得るコンピュータプログラム製品を含む非一時的コンピュータ可読媒体が提案される。この非一時的コンピュータ可読媒体は、本発明の開示の第２の態様による方法のステップを実施するプログラムコード命令を含む。

本発明の更に多くの態様及び利点が、本発明の以下の詳細な説明の中で見つかることを理解すべきである。

図面の簡単な説明
添付図面は、実施形態の原理を説明するのに役立つ説明と共に、本発明の実施形態の更なる理解を与えるために含める。本発明は実施形態に限定されることはない。

本発明の一実施形態による、オーディオ通信内の音声データを背景データから分離する方法を示す流れ図である。 本開示を実装することができる一例示的システムを示す。 オーディオ通信内の音声データを背景データから分離する一例示的プロセスを示す図である。 本発明の一実施形態による、オーディオ通信内の音声データを背景データから分離する機器のブロック図である。

詳細な説明
次に、本発明の一実施形態を図面に関連して詳細に説明する。以下の説明では、簡潔にするために既知の機能及び構成の一部の詳細な説明を省く場合がある。

図１は、本発明の一実施形態による、オーディオ通信内の音声データを背景データから分離する方法を示す流れ図である。

図１に示すように、ステップＳ１０１で、この方法は、オーディオ通信に、オーディオ通信の音声データを背景データから分離する音声モデルを適用する。

音声モデルは、オーディオ通信の音声データを背景データから分離する、A. Ozerov, E. Vincent及びF. Bimbot著「A general flexible framework for the handling of prior information in audio source separation」IEEE Trans. on Audio, Speech and Lang. Proc., vol. 20, no. 4, pp. 1118-1133, 2012（以下参考文献３と呼ぶ）の中で記載されているもの等、任意の知られている音源分離アルゴリズムを使用することができる。この意味で、「モデル」という用語はここではこの技術分野内の任意のアルゴリズム／方法／手法／処理を指す。

音声モデルは、関心のある音源（ここでは音声又は特定の話者の音声）を表す特徴的スペクトルパターンの辞書として理解することができるスペクトルソースモデルとすることもできる。例えば、非負行列因子分解（ＮＭＦ）ソーススペクトルモデルでは、特定の時間枠における混合内の対応するソース（ここでは音声）を表すために、これらのスペクトルパターンを非負係数と組み合わせる。混合ガウスモデル（ＧＭＭ）ソーススペクトルモデルでは、特定の時間枠における混合内の対応するソース（ここでは音声）を表すために、最も可能性が高いスペクトルパターンを１つだけ選択する。

音声モデルは、オーディオ通信の発呼者に関連して適用することができる。例えば音声モデルは、発呼者の過去のオーディオ通信に従い、オーディオ通信のその発呼者に関連して適用される。その場合、音声モデルを「話者モデル」と呼ぶことができる。関連付けは発呼者のＩＤ、例えば発呼者の電話番号に基づき得る。

オーディオ通信の通話履歴内のＮ人の発呼者に対応するＮ個の音声モデルを含むようにデータベースを構築することができる。

オーディオ通信の開始時に、発呼者に割り当てる話者モデルをデータベースから選択し、オーディオ通信に適用することができる。Ｎ人の発呼者は、それらの者の通話頻度及び総通話時間に基づいて通話履歴内の全発呼者から選択され得る。つまり、より頻繁に通話し、累積通話時間がより長い発呼者は、話者モデルが割り当てられるＮ人の発呼者一覧内に優先して含められる。数Ｎは、オーディオ通信に使用される通信装置のメモリ容量に応じて設定することができ、例えば５、１０、５０、１００等とすることができる。

利用者の通話頻度又は総通話時間に従い、通話履歴内にない発呼者に対してオーディオ通信の発呼者に関連しない汎用音声モデルを割り当てることができる。つまり、新たな発呼者には汎用音声モデルを割り当てることができる。通話履歴内にあるが、あまり頻繁に通話しない発呼者にも汎用音声モデルを割り当てることができる。

話者モデルと同様に、汎用音声モデルは、オーディオ通信の音声データを背景データから分離する任意の知られている音源分離アルゴリズムであり得る。例えば汎用音声モデルは、ソーススペクトルモデル又はＮＭＦやＧＭＭ等のよく知られているモデルに関する特徴的スペクトルパターンの辞書であり得る。汎用音声モデルと話者モデルとの違いは、汎用音声モデルが、多くの異なる話者の音声サンプルのデータセット等、何らかの音声サンプルからオフラインで学習（又は訓練）されることである。そのため、話者モデルは特定の発呼者の音声及び声を表す傾向があるのに対し、汎用音声モデルは特定の話者に焦点を合わせることなく、人間の音声全般を表す傾向がある。

例えば男性／女性や大人／子供に関して、様々な分類の話者に対応するように幾つかの汎用音声モデルを設定することができる。その場合、話者の性別及び／又は平均年齢を決定するために話者の分類を検出する。その検出結果に応じて適切な汎用音声モデルを選択することができる。

ステップＳ１０２で、この方法は、オーディオ通信中の音声データ及び背景データに応じて音声モデルを更新する。

概して上記の適合は、知られているスペクトルソースモデル適合アルゴリズムを使用し、オーディオ通信の「音声だけの（雑音のない）」セグメント及び「背景だけの」セグメントを検出することに基づき得る。この点に関するより詳細な説明を特定のシステムに関して以下で示す。

更新済みの音声モデルは、現在のオーディオ通信に使用される。

この方法は、オーディオ通信後に、利用者との次回のオーディオ通信内で使用する、更新済みの音声モデルをデータベース内に記憶するステップＳ１０３を更に含み得る。音声モデルが話者モデルである場合、更新済みの音声モデルはデータベース内に十分な空き容量がある場合にデータベース内に記憶される。音声モデルが話者モデルである場合、この方法は、例えば通話頻度や総通話時間に従い、更新済みの汎用音声モデルを音声モデルとしてデータベース内に記憶するステップを更に含み得る。

この実施形態の方法によれば、オーディオ通信の開始時に、この方法は、例えば入電の発呼者ＩＤに従い、対応する話者モデルが音声モデルのデータベース内に既に記憶されているかどうかをまず確認する。話者モデルが既にデータベース内にある場合、そのオーディオ通信の音声モデルとしてその話者モデルを使用する。話者モデルはオーディオ通信中に更新することができる。その理由は、例えば発呼者の声が何らかの病気によって変わることがあるからである。

音声モデルのデータベース内に対応する話者モデルが記憶されていない場合、そのオーディオ通信の音声モデルとして汎用音声モデルを使用する。その発呼者により良く適合するように、汎用音声モデルも通話中に更新することができる。汎用音声モデルについては、この方法は、汎用音声モデルをオーディオ通信の発呼者に関連する話者モデルに変更できるかどうかを通話の終了時に判定することができる。例えば、発呼者の通話頻度や総通話時間に従い、汎用音声モデルを発呼者の話者モデルへと変更すべきだと判定される場合、その汎用音声モデルをその発呼者に関連する話者モデルとしてデータベース内に記憶する。データベースの空き容量が限られている場合、頻度がより低くなった１つ又は複数の話者モデルを破棄できることが理解され得る。

図２は、本開示を実装することができる一例示的システムを示す。このシステムは、電話システムや移動通信システム等、２人以上の当事者間のオーディオ通信を伴う任意の種類の通信システムとすることができる。図２のシステムでは、オンラインソース分離の遠端実装が示されている。しかし、本発明の実施形態は近端実装等の他のやり方でも実装できることが理解され得る。

図２に示すように、音声モデルのデータベースは最大Ｎ個の話者モデルを含む。図２に示すように、話者モデルはMaxのモデル、Annaのモデル、Bobのモデル、Johnのモデル等、それぞれの発呼者に関連する。

話者モデルに関して、過去の全発呼者の総通話時間をそれらの者のＩＤに従って累積する。発呼者ごとの「総通話時間」とは、その発呼者が通話していた合計時間、即ち「通話時間＿１＋通話時間＿２＋．．．＋通話時間＿Ｋ」を意味する。従って、ある意味では「総通話時間」は発呼者の情報通話頻度及び通話時間の両方を反映する。通話時間は、話者モデルを割り当てるために、最も頻度の高い発呼者を識別するために使用する。一実施形態では、「総通話時間」は或る時間窓の中でのみ、例えば過去１２カ月内でのみ計算され得る。このように期間を限定することにより、過去に沢山通話していたがここしばらく通話していない発呼者の話者モデルを破棄するのを助ける。

最も頻度の高い発呼者を識別するために他のアルゴリズムも利用できることが理解され得る。例えば、通話頻度及び／又は通話時間の組合せをこの目的で検討することができる。更なる詳細は示さない。

図２に示すように、データベースは、オーディオ通信の特定の発呼者に関連しない汎用音声モデルも含む。汎用音声モデルは、何らかの音声信号データセットから訓練することができる。

新たな入電があると、発呼者に対応する話者モデル又は話者に依存しない汎用音声モデルを使用することにより、データベースの音声モデルが適用される。

図２に示すように、Bobが発呼している場合、話者モデル「Bobのモデル」がデータベースから選択されてこの通話に適用される、なぜならその話者モデルが通話履歴に従ってBobに割り当てられているからである。

この実施形態では、Bobのモデルは、ソーススペクトルモデルでもある背景ソースモデルであり得る。背景ソースモデルは、特徴的スペクトルパターンの辞書であり得る（例えばＮＭＦやＧＭＭ）。そのため、背景ソースモデルの構造は音声ソースモデルと全く同じであり得る。主な違いはモデルのパラメータ値にあり、例えば背景モデルの特徴的スペクトルパターンは背景を表すべきであるのに対し、音声モデルの特徴的スペクトルパターンは音声を表すべきである。

図３は、オーディオ通信内の音声データを背景データから分離する一例示的プロセスを示す図である。

図３に示すプロセスでは、通話中に以下のステップを実行する。

１．以下の３つの状態のうちの現在の信号の状態を検出するために検出器を起動する。
ａ．音声だけ
ｂ．背景だけ
ｃ．音声＋背景

当技術分野で知られている検出器、例えばShafran, I.及びRose, R.著2003,「Robust speech detection and segmentation for real-time ASR applications」Proceedings of IEEE International Conference no Acoustics, Speech, and Signal Processing (ICASSP). Vol. 1. 432-435)（以下参考文献４と呼ぶ）の中で解説されている検出器を上記の目的で使用することができる。オーディオイベントの検出に関する他の多くの手法と同様に、この手法は主に以下のステップを利用する。信号を複数の時間枠へと切り出し、或る特徴、例えばメル周波数ケプストラム係数（ＭＦＣＣ）のベクトルをフレームごとに計算する。例えば幾つかのＧＭＭ（各ＧＭＭは１つのイベントを表す）（ここでは「音声だけ」、「背景だけ」、及び「音声＋背景」という３つのイベントがある）に基づく分類子を各特徴ベクトルに適用し、所与の時点における対応するオーディオイベントを検出する。例えばＧＭＭに基づく分類子は、オーディオイベントのラベルが知られている（例えば人間によってラベル付けされている）何らかのオーディオデータからオフラインで予め訓練される必要がある。

２．「音声だけ」の状態では、話者ソースモデルが、例えば参考文献２の中に記載のアルゴリズムを使用してオンラインで学習される。オンライン学習とは、通話の経過内で入手可能な新たな信号の観察と共にモデル（ここでは話者モデル）のパラメータが継続的に更新される必要があることを意味する。つまり、アルゴリズムは過去の音サンプルしか使用できず、（装置のメモリの制約により）過去の音サンプルを記憶し過ぎるべきではない。参考文献２に関して説明した手法によれば、（参考文献２によればＮＭＦモデルである）話者モデルのパラメータが、小さい定数（例えば１０個）の直近のフレームから抽出される統計情報を使用してスムーズに更新される。

３．「背景だけ」の状態では、背景ソースモデルが、例えば参考文献２の中に記載のアルゴリズムを使用してオンラインで学習される。このオンラインでの背景ソースモデルの学習は、先の項目の中で説明した話者モデルの通りに行われる。

４．「音声＋背景」の状態では、例えばZ. Duan, G. J. Mysore及びP. Smaragdis著「Online PLCA for real-time semi-supervised source separation」International Conference on Latent Variable Analysis and Source Separation (LVA/ICA). 2012, Springer（以下参考文献５と呼ぶ）の中で記載されているアルゴリズムを使用し、背景ソースモデルが固定されると仮定して、話者モデルがオンラインで適合される。この手法は、上記のステップ２及びステップ３の中で説明したのと同様である。それらとの唯一の違いは、このオンライン適合がクリーンなソース（「音声だけ又は背景だけ」）ではなくソースの混合（「音声＋背景」）から行われることである。上記の目的のために、オンライン学習（項目２及び項目３）と同様のプロセスを適用する。違いは、この場合、話者ソースモデル及び背景ソースモデルが一緒に復号され、話者モデルは継続的に更新される一方で背景モデルは固定したままであることである。

或いは、話者ソースモデルが固定されると仮定し、背景ソースモデルを適合させることができる。しかし、「通常の雑音のある状況」では背景のないセグメント（「音声だけ」の検出）よりも音声のないセグメント（「背景だけ」の検出）を有する可能性が高いことが多いので、話者ソースモデルを更新する方が有利であり得る。つまり、背景ソースモデルは（音声のないセグメント上で）十分満足に訓練され得る。従って、「音声＋背景」セグメント上で話者ソースモデルを適合させる方が有利であり得る。

５．最後に、クリーンな音声を推定するためにソース分離を継続的に適用する（図３参照）。このソース分離プロセスは、パラメータが２つのモデル（話者ソースモデル及び背景ソースモデル）及び雑音のある音声から推定される適合フィルタであるウィーナフィルタに基づく。参考文献２及び参考文献５がこの点に関してより詳細を示している。更なる情報は示さない。

通話の終了時に以下のステップを実行する。

１．その利用者の総通話時間を更新する。このステップは、既に記憶されている場合は単純にその時間を増加させることによって、又はその利用者が初めて発呼する場合は現在の通話時間でその時間を初期設定することによって行うことができる。

２．その話者の音声モデルが既にモデルのデータベース内にある場合、その音声モデルをデータベース内で更新する。

３．そうではなく音声モデルがデータベース内にない場合、データベースがＮ個の話者モデル未満で構成される場合にのみ、又は話者が他の者のうちで上位Ｎ個の通話時間内にある場合にのみ、音声モデルをデータベースに追加する（何れにせよデータベース内に常に最大Ｎ個のモデルがあるように頻度が低い話者のモデルはデータベースから削除する）。

本発明は、携帯電話の場合に通常そうであるように、同じ電話番号が同一人物によって使用される前提に依拠することに留意されたい。自宅の固定電話では、例えば家族全員がその電話を使う可能性があるのでかかる前提が該当しない場合がある。しかし自宅の電話の場合、背景を抑制することはさほど重大なことではない。実際、単純に音楽を止め、又は他の者に静かに話すように頼むことが大抵可能である。つまり、背景を抑制することが必要な殆どの場合この前提が該当し、該当しない場合でも（実際、通話するために他人の携帯電話を借りることもある）、新たな条件に合わせて話者モデルを継続的に再適合させるため、提案するシステムが機能しなくなることはない。

本発明の一実施形態は、オーディオ通信内の音声データを背景データから分離する機器を提供する。図４は、本発明の一実施形態による、オーディオ通信内の音声データを背景データから分離する機器のブロック図である。

図４に示すように、オーディオ通信内の音声データを背景データから分離する機器４００は、オーディオ通信に、オーディオ通信の音声データを背景データから分離する音声モデルを適用する適用ユニット４０１と、オーディオ通信中の音声データ及び背景データに応じて音声モデルを更新する更新ユニット４０２とを含む。

機器４００は、オーディオ通信後に、利用者との次回のオーディオ通信内で使用する、更新済みの音声モデルを記憶する記憶ユニット４０３を更に含み得る。

機器４００は、発呼者の通話頻度及び通話時間に応じて、オーディオ通信後に音声モデルをオーディオ通信の発呼者に関連するように変更する変更ユニット４０４を更に含み得る。

本発明の一実施形態は、通信ネットワークからダウンロード可能であり、コンピュータによって読取可能な媒体上に記録され、且つ／又はプロセッサによって実行可能な、上記の方法のステップを実施するプログラムコード命令を含むコンピュータプログラム製品を提供する。

本発明の一実施形態は、そこに記録され、プロセッサによって実行され得るコンピュータプログラム製品を含む非一時的コンピュータ可読媒体を提供し、非一時的コンピュータ可読媒体は、上記の方法のステップを実施するプログラムコード命令を含む。

本発明は様々な形態のハードウェア、ソフトウェア、ファームウェア、専用プロセッサ、又はその組合せによって実装され得ることを理解すべきである。更にソフトウェアは、好ましくはプログラム記憶装置上に有形に具体化されるアプリケーションプログラムとして実装される。アプリケーションプログラムは、任意の適切なアーキテクチャを含むマシンにアップロードされ、かかるマシンによって実行され得る。好ましくは、そのマシンは１個又は複数個の中央処理装置（ＣＰＵ）、ランダムアクセスメモリ（ＲＡＭ）、入出力（Ｉ／Ｏ）インタフェース等のハードウェアを有するコンピュータプラットフォーム上に実装される。コンピュータプラットフォームは、オペレーティングシステム及びマイクロ命令コードも含む。本明細書に記載した様々なプロセス及び機能は、オペレーティングシステムによって実行されるマイクロ命令コードの一部又はアプリケーションプログラムの一部（又はその組合せ）とすることができる。更に、追加のデータ記憶装置や印刷装置等の他の様々な周辺装置がコンピュータプラットフォームに接続され得る。

添付図面に示した構成要素であるシステムコンポーネント及び方法ステップの一部はソフトウェアによって実装することが好ましいので、本発明をプログラムする方法に応じてシステムコンポーネント（又はプロセスステップ）間の実際の接続が異なり得ることを更に理解すべきである。本明細書の教示を所与として、当業者は本発明のこれらの及び同様の実装又は構成を考えることができる。
［付記１］
オーディオ通信内の音声データを背景データから分離する方法であって、
前記オーディオ通信に、前記オーディオ通信の前記音声データを前記背景データから分離する音声モデルを適用するステップ（Ｓ１０１）と、
前記オーディオ通信中の前記音声データ及び前記背景データに応じて前記音声モデルを更新するステップ（Ｓ１０２）と
を含む、方法。
［付記２］
前記更新された音声モデルを前記オーディオ通信に適用する、付記１に記載の方法。
［付記３］
発呼者の通話頻度及び通話時間に応じて、前記オーディオ通信の前記発呼者に関連する音声モデルを適用する、付記１又は２に記載の方法。
［付記４］
発呼者の通話頻度及び通話時間に応じて、前記オーディオ通信の前記発呼者に関連しない音声モデルを適用する、付記１又は２に記載の方法。
［付記５］
前記オーディオ通信後に、利用者との次回のオーディオ通信内で使用する、前記更新された音声モデルを記憶するステップ（Ｓ１０３）
を更に含む、付記１〜４の何れか一項に記載の方法。
［付記６］
前記発呼者の前記通話頻度及び通話時間に応じて、前記オーディオ通信後に前記音声モデルを前記オーディオ通信の前記発呼者に関連するように変更するステップ
を更に含む、付記４に記載の方法。
［付記７］
オーディオ通信内の音声データを背景データから分離する機器（４００）であって、
前記オーディオ通信に、前記オーディオ通信の前記音声データを前記背景データから分離する音声モデルを適用する適用ユニット（４０１）と、
前記オーディオ通信中の前記音声データ及び前記背景データに応じて前記音声モデルを更新する更新ユニット（４０２）と
を含む、機器（４００）。
［付記８］
前記適用ユニット（４０１）が前記更新された音声モデルを前記オーディオ通信に適用する、付記７に記載の機器（４００）。
［付記９］
発呼者の通話頻度及び通話時間に応じて、前記適用ユニット（４０１）が前記オーディオ通信の前記発呼者に関連する音声モデルを適用する、付記７又は８に記載の機器（４００）。
［付記１０］
発呼者の通話頻度及び通話時間に応じて、前記適用ユニット（４０１）が前記オーディオ通信の前記発呼者に関連しない音声モデルを適用する、付記７又は８に記載の機器（４００）。
［付記１１］
前記オーディオ通信後に、利用者との次回のオーディオ通信内で使用する、前記更新された音声モデルを記憶する記憶ユニット（４０３）
を更に含む、付記７〜１０の何れか一項に記載の機器（４００）。
［付記１２］
前記発呼者の前記通話頻度及び通話時間に応じて、前記オーディオ通信後に前記音声モデルを前記オーディオ通信の前記発呼者に関連するように変更する変更ユニット（４０４）
を更に含む、付記１０に記載の機器（４００）。
［付記１３］
付記１〜６の少なくとも一項に記載の方法のステップを実施する、プロセッサによって実行可能なプログラムコード命令を含む、コンピュータプログラム。
［付記１４］
付記１〜６の少なくとも一項に記載の方法のステップを実施する、非一時的コンピュータ可読媒体上に記憶され、プロセッサによって実行可能なプログラムコード命令を含む、コンピュータプログラム製品。

Claims (18)

1. オーディオ通信内の音声データを背景データから分離する方法であって、
   前記オーディオ通信に、前記オーディオ通信の前記音声データを前記背景データから分離する、前記オーディオ通信の発呼者に関連付けられた音声モデルを適用することと、
   前記オーディオ通信中の前記音声データ及び前記背景データに応じて前記音声モデルを更新することと、を含み、
   前記オーディオ通信の前記発呼者に関連付けられた前記音声モデルは、前記発呼者の通話頻度及び通話時間に応じて適用される、方法。
2. 前記更新された音声モデルを前記オーディオ通信に適用する、請求項１に記載の方法。
3. 前記オーディオ通信後に、次回のオーディオ通信内で使用する、前記更新された音声モデルを記憶すること
   を更に含む、請求項１又は２に記載の方法。
4. オーディオ通信内の音声データを背景データから分離する方法であって、
   前記オーディオ通信に、前記オーディオ通信の前記音声データを前記背景データから分離する音声モデルを適用することと、
   前記オーディオ通信中の前記音声データ及び前記背景データに応じて前記音声モデルを更新することと
   を含み、
   発呼者の通話頻度及び通話時間に応じて、前記オーディオ通信の前記発呼者に関連付けられていない音声モデルが適用される、方法。
5. 前記発呼者の前記通話頻度及び前記通話時間に応じて、前記オーディオ通信後に前記音声モデルを前記オーディオ通信の前記発呼者に関連付けられるように変更すること
   を更に含む、請求項４に記載の方法。
6. オーディオ通信内の音声データを背景データから分離するように構成された機器であって、
   前記オーディオ通信に、前記オーディオ通信の前記音声データを前記背景データから分離する、前記オーディオ通信の発呼者に関連付けられた音声モデルを適用するように構成された適用ユニットと、
   前記オーディオ通信中の前記音声データ及び前記背景データに応じて前記音声モデルを更新するように構成された更新ユニットと、を含み、
   前記適用ユニットは、前記発呼者の通話頻度及び通話時間に応じて、前記オーディオ通信の前記発呼者に関連付けられている前記音声モデルを適用するように構成された、機器。
7. 前記適用ユニットは、前記更新された音声モデルを前記オーディオ通信に適用するように構成された、請求項６に記載の機器。
8. 前記オーディオ通信後に、次回のオーディオ通信内で使用する、前記更新された音声モデルを記憶するように構成された記憶ユニット
   を更に含む、請求項６又は７に記載の機器。
9. オーディオ通信内の音声データを背景データから分離するように構成された機器であって、
   前記オーディオ通信に、前記オーディオ通信の前記音声データを前記背景データから分離する音声モデルを適用するように構成された適用ユニットと、
   前記オーディオ通信中の前記音声データ及び前記背景データに応じて前記音声モデルを更新するように構成された更新ユニットと
   を含み、
   前記適用ユニットは、発呼者の通話頻度及び通話時間に応じて、前記オーディオ通信の前記発呼者に関連付けられていない音声モデルを適用するように構成された、機器。
10. 前記発呼者の前記通話頻度及び前記通話時間に応じて、前記オーディオ通信後に、前記オーディオ通信の前記発呼者に関連付けるように前記音声モデルを変更するように構成された変更ユニット
    を更に含む、請求項９に記載の機器。
11. 請求項１〜５の少なくとも一項に記載の方法をコンピュータに実行させるように構成されたコンピュータプログラム。
12. 請求項１〜５の少なくとも一項に記載の方法をコンピュータに実行させるように構成されたコンピュータプログラムを記憶するコンピュータ可読記憶媒体。
13. 前記音声モデルは、非負行列因子分解（ＮＭＦ）、混合ガウスモデル（ＧＭＭ）、ソーススペクトルモデル、及び特徴的スペクトルパターンの辞書の群から選択されたスペクトル音声モデルを含む、請求項１に記載の方法。
14. オーディオ通信内の音声データを背景データから分離する方法であって、
    前記オーディオ通信の開始時に、前記オーディオ通信の発呼者に対応する音声モデルが利用可能か否かを確認することと、
    前記確認の結果に基づいて、複数の音声モデルから音声モデルを選択することと、
    前記オーディオ通信に、前記オーディオ通信の前記音声データを前記背景データから分離する前記選択された音声モデルを適用することと、
    前記オーディオ通信中の前記音声データ及び前記背景データに応じて前記選択された音声モデルを更新することと
    を含む、方法。
15. 前記発呼者に対応する音声モデルが利用可能であれば、前記音声モデルを選択することは、前記発呼者に対応する前記音声モデルを前記選択された音声モデルとして選択する、請求項１４に記載の方法。
16. 前記発呼者に対応する音声モデルが利用可能でなければ、前記音声モデルを選択することは、汎用音声モデルを前記選択された音声モデルとして選択する、請求項１４に記載の方法。
17. 前記複数の音声モデルから前記音声モデルを選択することは、データベースから前記音声モデルを選択することを含む、請求項１４に記載の方法。
18. オーディオ通信内の音声データを背景データから分離するように構成された機器であって、
    前記オーディオ通信の開始時に、前記オーディオ通信の発呼者に対応する音声モデルが利用可能か否かを確認し、
    前記確認の結果に基づいて、複数の音声モデルから音声モデルを選択し、
    前記オーディオ通信に、前記オーディオ通信の前記音声データを前記背景データから分離する前記選択された音声モデルを適用するように構成された適用ユニットと、
    前記オーディオ通信中の前記音声データ及び前記背景データに応じて前記選択された音声モデルを更新するように構成された更新ユニットと
    を含む、機器。

Images