JP7734346B2 - 耳装着型デバイス、及び、再生方法 - Google Patents

Description

本開示は、耳装着型デバイス、及び、再生方法に関する。

イヤホン及びヘッドホンなどの耳装着型デバイスに関する様々な技術が提案されている。特許文献１には、カナル型イヤホンに関する技術が開示されている。

特開２０１２－２４９１８４号公報

本開示は、直接音の成分が相対的に強い音の音信号と間接音の成分が相対的に強い音の音信号とを区別して信号処理を行うことができる耳装着型デバイスを提供する。

本開示の一態様に係る耳装着型デバイスは、音を取得し、取得した前記音の音信号を出力するマイクロフォンと、前記音信号に信号処理を行うことにより、前記音に含まれる音声が残響感を有するか否かを判定し、前記音に含まれる音声が残響感を有すると判定した場合、位相反転処理を含む第２信号処理を前記音信号に対して行った第２音信号を出力する信号処理回路と、出力された前記第２音信号に基づいて音を再生するスピーカと、前記マイクロフォン、前記信号処理回路、及び、前記スピーカを収容するハウジングとを備える。

本開示の一態様に係る耳装着型デバイスは、直接音の成分が相対的に強い音の音信号と間接音の成分が相対的に強い音の音信号とを区別して信号処理を行うことができる。

図１は、実施の形態に係る音信号処理システムを構成するデバイスの外観図である。 図２は、実施の形態に係る音信号処理システムの機能構成を示すブロック図である。 図３は、動作モードの設定動作のシーケンス図である。 図４は、動作モードの選択画面の一例を示す図である。 図５は、アナウンスモードの動作例のフローチャートである。 図６は、対話モードの動作例のフローチャートである。 図７は、音声検出モードの動作例のフローチャートである。 図８は、オンセット時刻を説明するための図である。 図９は、直接的に到達する人の発話音のオンセット情報の一例を示す図である。 図１０は、アナウンス音のオンセット情報の一例を示す図である。 図１１は、直接的に到達する人の発話音のパワースペクトルを示す図である。 図１２は、直接的に到達する人の発話音に含まれる残響音のパワースペクトルを示す図である。 図１３は、直接的に到達する人の発話音に含まれるアタック音のパワースペクトルを示す図である。 図１４は、アナウンス音のパワースペクトルを示す図である。 図１５は、アナウンス音に含まれる残響音のパワースペクトルを示す図である。 図１６は、アナウンス音に含まれるアタック音のパワースペクトルを示す図である。

以下、実施の形態について、図面を参照しながら具体的に説明する。なお、以下で説明する実施の形態は、いずれも包括的又は具体的な例を示すものである。以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の配置位置及び接続形態、ステップ、ステップの順序などは、一例であり、本開示を限定する主旨ではない。また、以下の実施の形態における構成要素のうち、独立請求項に記載されていない構成要素については、任意の構成要素として説明される。

なお、各図は模式図であり、必ずしも厳密に図示されたものではない。また、各図において、実質的に同一の構成に対しては同一の符号を付し、重複する説明は省略又は簡略化される場合がある。

（実施の形態）
［構成］
まず、実施の形態に係る音信号処理システムの構成について説明する。図１は、実施の形態に係る音信号処理システムを構成するデバイスの外観図である。図２は、実施の形態に係る音信号処理システムの機能構成を示すブロック図である。

図１及び図２に示されるように、実施の形態に係る音信号処理システム１０は、耳装着型デバイス２０と、携帯端末３０とを備える。

まず、耳装着型デバイス２０について説明する。耳装着型デバイス２０は、携帯端末３０から提供される第３音信号を再生するイヤホン型のデバイスである。第３音信号は、例えば、音楽コンテンツの音信号である。耳装着型デバイス２０は、第３音信号（音楽コンテンツ）の再生中に、耳装着型デバイス２０を装着したユーザの周囲の環境音（雑音）を低減するノイズキャンセル機能を有する。また、耳装着型デバイス２０は、第３音信号の再生中に、当該ユーザの周囲の音を取り込む外音取り込み機能を有する。さらに、耳装着型デバイス２０は、上記人の音声が、ユーザに直接的に到達する発話音（ユーザが人から話しかけられたときに聞く音）であるかアナウンス音であるかを区別して、ユーザに直接的に到達する発話音及びアナウンス音の一方に選択的に上記外音取り込み機能を適用することもできる。

ユーザに直接的に到達する発話音とは、間接音の成分に対して相対的に直接音の成分が強く、残響感が小さい音である。アナウンス音とは、スピーカから出力されて耳装着型デバイス２０に到達する人の音声であり、直接音の成分に対して間接音の成分が相対的に強く、残響感が大きい音である。アナウンス音は、具体的には、空港、駅、及び、電車内などで案内のために出力される音である。

直接音とは、音源から反射せずに直接届く音を意味し、間接音とは、音源から物体により１回以上反射した後に届く音を意味する。同一の音源からの音が直接音、１つ以上の間接音として聴取者に届くときには、経路により音の周波数特性及び位相が変化する。このため、これらが重畳された音を聞いた聴取者は、直接音が相対的に強いと残響感が小さいと感じ、直接音が相対的に弱いと残響感が大きいと感じる。例えば、人が聴取者に直接話しかける場合は残響感が小さく、アナウンス音は、(スピーカの直近で聞くような特殊な状況ではなく、一般的な状況においては)残響感が大きく感じる。

耳装着型デバイス２０は、残響感の大小により、アナウンス音か、人が直接話しかけてきた音かを推定することで、ユーザに直接的に到達する発話音及びアナウンス音の一方に選択的に上記外音取り込み機能を適用することができる。

なお、残響感とは、例えば、直接音が聞こえたあと、数ミリ秒から数百ミリ秒の間に壁、及び、天井などから反射した間接音が直接音と一緒に一つの音の流れのように聞こえることを意味する。すなわち、残響感のある音は、直接音と多方面から遅れて到達する間接音とが重畳された音を意味する。残響感のない音は、直接音が支配的であり、重畳された間接音が聴感上小さい、または無視できるレベルに抑え込まれている音を意味する。

耳装着型デバイス２０は、具体的には、マイクロフォン２１と、ＤＳＰ２２と、通信モジュール２７と、スピーカ２８とを備える。マイクロフォン２１、ＤＳＰ２２、通信モジュール２７、及び、スピーカ２８は、ハウジング２９（図１に図示）に収容される。

マイクロフォン２１は、耳装着型デバイス２０の周囲の音を取得し、取得した音の音信号を出力する収音デバイスである。マイクロフォン２１は、具体的には、コンデンサマイク、ダイナミックマイク、または、ＭＥＭＳ（Ｍｉｃｒｏ Ｅｌｅｃｔｒｏ Ｍｅｃｈａｎｉｃａｌ Ｓｙｓｔｅｍｓ）マイクなどであるが、特に限定されない。また、マイクロフォン２１は、無指向性であってもよいし、指向性を有していてもよい。

ＤＳＰ２２は、マイクロフォン２１から出力される音信号に信号処理を行うことにより、ノイズキャンセル機能、及び、外音取り込み機能を実現する。ノイズキャンセル機能は、音信号の位相を反転させてスピーカ２８により再生することでノイズを低減する機能である。また、外音取り込み機能は、例えば、音信号に音の特定の周波数成分（例えば、１００Ｈｚ以上２ｋＨｚ以下の周波数成分）を強調するためのイコライジング処理を行ってスピーカ２８により再生することで、当該特定の周波数成分を強調する機能である。耳装着型デバイス２０においては、外音取り込み機能は、人の音声またはアナウンス音を強調するために使用される。なお、外音取り込み機能は、音信号を実質的にそのままスピーカ２８により再生することで音信号が示す音をユーザに聞かせる機能であってもよく、イコライジング処理が行われることは必須ではない。ＤＳＰ２２は、信号処理回路の一例である。ＤＳＰ２２は、フィルタ部２３と、信号処理部２４と、ニューラルネットワーク部２５と、記憶部２６とを有する。以下では、ニューラルネットワーク部２５は、ＮＮ（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）部２５とも記載される。

フィルタ部２３には、ハイパスフィルタ２３ａ、ローパスフィルタ２３ｂ、及び、バンドパスフィルタ２３ｃが含まれる。ハイパスフィルタ２３ａは、マイクロフォン２１から出力される音信号に含まれる、２００Ｈｚ以下の帯域の成分を減衰させる。ローパスフィルタ２３ｂは、マイクロフォン２１から出力される音信号に含まれる、５００Ｈｚ以上の帯域の成分を減衰させる。バンドパスフィルタ２３ｃは、マイクロフォン２１から出力される音信号に含まれる、２００Ｈｚ以下の帯域、及び、５ｋＨｚ以上の帯域の成分を減衰させる。なお、これらのカットオフ周波数は例示であり、カットオフ周波数は経験的または実験的に定められればよい。

信号処理部２４には、機能的な構成要素として、残響検出部２４ａ、雑音検出部２４ｂ、音声検出部２４ｃ、及び、切替部２４ｄが含まれる。残響検出部２４ａ、雑音検出部２４ｂ、音声検出部２４ｃ、及び、切替部２４ｄの機能は、例えば、信号処理部２４に相当する回路が記憶部２６に記憶されたコンピュータプログラムを実行することにより実現される。残響検出部２４ａ、雑音検出部２４ｂ、音声検出部２４ｃ、及び、切替部２４ｄの機能の詳細については後述する。

ＮＮ部２５には、機能的な構成要素として、音声判定部２５ａ、及び、残響判定部２５ｂが含まれる。音声判定部２５ａ、及び、残響判定部２５ｂの機能は、例えば、ＮＮ部２５に相当する回路が記憶部２６に記憶されたコンピュータプログラムを実行することにより実現される。音声判定部２５ａ、及び、残響判定部２５ｂの機能の詳細については後述する。

記憶部２６は、信号処理部２４に相当する回路が実行するコンピュータプログラム、ＮＮ部２５に相当する回路が実行するコンピュータプログラム、並びに、ノイズキャンセル機能、及び、外音取り込み機能の実現に必要な各種情報などが記憶される記憶装置である。記憶部２６は、半導体メモリなどによって実現される。なお、記憶部２６は、ＤＳＰ２２の内蔵メモリではなく、ＤＳＰ２２の外付けメモリとして実現されてもよい。

通信モジュール２７は、携帯端末３０から第３音信号を受信し、受信した第３音信号とＤＳＰ２２が出力する信号処理後の音信号（後述の第１音信号または第２音信号）とをミキシングしてスピーカ２８に出力する。通信モジュール２７は、例えば、ＳｏＣ（Ｓｙｓｔｅｍ－ｏｎ－ａ－Ｃｈｉｐ）によって実現される。通信モジュール２７は、通信回路２７ａと、ミキシング回路２７ｂとを有する。

通信回路２７ａは、携帯端末３０から第３音信号を受信する。通信回路２７ａは、例えば、無線通信回路であり、Ｂｌｕｅｔｏｏｔｈ（登録商標）またはＢＬＥ（Ｂｌｕｅｔｏｏｔｈ（登録商標） Ｌｏｗ Ｅｎｅｒｇｙ）などの通信規格に基づいて、携帯端末３０と通信を行う。

ミキシング回路２７ｂは、ＤＳＰ２２によって出力される第１音信号及び第２音信号の一方に通信回路２７ａによって受信された第３音信号をミキシングしてスピーカ２８に出力する。

スピーカ２８は、ミキシング回路２７ｂから取得したミキシング後の音信号に基づいて、音を再生する。スピーカ２８は、耳装着型デバイス２０を装着したユーザの耳穴（鼓膜）へ向けて音波を発するスピーカであるが、骨伝導スピーカであってもよい。

次に、携帯端末３０について説明する。携帯端末３０は、所定のアプリケーションプログラムがインストールされることにより、音信号処理システム１０におけるユーザインタフェース装置として機能する情報端末である。また、携帯端末３０は、耳装着型デバイス２０に第３音信号（音楽コンテンツ）を提供する音源としても機能する。ユーザは、具体的には、携帯端末３０を操作することにより、スピーカ２８によって再生される音楽コンテンツの選択、及び、耳装着型デバイス２０の動作モードの切り替えなどを行うことができる。携帯端末３０は、ＵＩ（Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）部３１と、通信回路３２と、情報処理部３３と、記憶部３４とを備える。

ＵＩ部３１は、ユーザの操作を受け付け、かつ、ユーザへ画像を提示するユーザインタフェース装置である。ＵＩ部３１は、タッチパネルなどの操作受付部、及び、表示パネルなどの表示部によって実現される。

通信回路３２は、耳装着型デバイス２０へユーザが選択した音楽コンテンツの音信号である第３音信号を送信する。通信回路３２は、例えば、無線通信回路であり、Ｂｌｕｅｔｏｏｔｈ（登録商標）またはＢＬＴなどの通信規格に基づいて、耳装着型デバイス２０と通信を行う。

情報処理部３３は、表示部への画像の表示、及び、通信回路３２を用いた第３音信号の送信などに関する情報処理を行う。情報処理部３３は、例えば、マイクロコンピュータによって実現されるが、プロセッサによって実現されてもよい。画像の表示機能、及び、第３音信号の送信機能などは、情報処理部３３を構成するマイクロコンピュータ等が記憶部３４に記憶されたコンピュータプログラムを実行することにより実現される。

記憶部３４は、情報処理部３３が情報処理を行うために必要な各種情報、情報処理部３３が実行するコンピュータプログラム、及び、第３音信号（音楽コンテンツ）などが記憶される記憶装置である。記憶部３４は、例えば、半導体メモリによって実現される。

［動作モードの設定動作］
耳装着型デバイス２０には、３つの動作モードが準備されており、ユーザは３つの動作モードのいずれかを耳装着型デバイス２０に設定することができる。以下、このような動作モードの設定動作について説明する。図３は、動作モードの設定動作のシーケンス図である。

まず、携帯端末３０の情報処理部３３は、ＵＩ部３１（表示部）に、動作モードの選択画面を表示する（Ｓ１１）。図４は、動作モードの選択画面の一例を示す図である。図４に示されるように、動作モードには、アナウンスモード、対話モード、及び、音声検出モードの３つのモードが含まれる。アナウンスモードは、アナウンス音を選択的に強調することでユーザがアナウンス音を聞き取ることを支援するための動作モードである。対話モードは、ユーザに直接的に到達する発話音を選択的に強調することでユーザが他のユーザと対話を行うことを支援するための動作モードである。音声検出モードは、人の音声を当該人の音声がユーザに直接的に到達する発話音であるかアナウンス音であるかは問わずに強調し、ユーザが人の音声を聞き取ることを支援するための動作モードである。各動作モードにおける動作の詳細については後述する。

このような選択画面が表示されているときに、ユーザは、携帯端末３０のＵＩ部３１に、動作モードの選択操作を行い、ＵＩ部３１は、この操作を受け付ける（Ｓ１２）。ＵＩ部３１によってこのような操作が受け付けられると、情報処理部３３は、選択された動作モードを耳装着型デバイス２０に設定するための設定指令を、通信回路３２を用いて耳装着型デバイス２０へ送信する（Ｓ１３）。

耳装着型デバイス２０の通信回路２７ａは、設定指令を受信する。通信回路２７ａにより設定指令が受信されると、通信モジュール２７からＤＳＰ２２へ設定指令が転送され、ステップＳ１２においてユーザが選択した動作モードがＤＳＰ２２に設定される（Ｓ１４）。具体的には、ＤＳＰ２２の記憶部２６に格納されている設定値が、設定指令において指定される値（上記３つのモードのいずれかを示す値）に設定される。

［アナウンスモードの動作例］
次に、アナウンスモードに設定された耳装着型デバイス２０の動作例について説明する。図５は、耳装着型デバイス２０のアナウンスモードの動作例のフローチャートである。アナウンスモードは、第１モードの一例であり、アナウンス音を選択的に強調することでユーザがアナウンス音を聞き取ることを支援するための動作モードである。

マイクロフォン２１は音を取得し、取得した音の音信号を出力する（Ｓ２１）。残響検出部２４ａは、マイクロフォン２１から出力される音信号であってハイパスフィルタ２３ａが適用された音信号に信号処理を行うことにより当該音信号の音響特徴量を算出する（Ｓ２２）。ここでの音響特徴量は、マイクロフォン２１が取得した上記音に含まれる人の音声が残響感を有するか否かを判定するための音響特徴量である。音響特徴量の具体例については後述する。検出された音響特徴量は、残響判定部２５ｂに出力される。

雑音検出部２４ｂは、マイクロフォン２１から出力される音信号であってローパスフィルタ２３ｂが適用された音信号に信号処理を行うことにより当該音信号のＺＣＲ（Ｚｅｒｏ－Ｃｒｏｓｓｉｎｇ Ｒａｔｅ、ゼロ交叉点比率）を算出する（Ｓ２３）。ＺＣＲは、音信号が示す音がノイズに近いかどうかを算出するための音響特徴量であり、音信号がゼロを横断する回数、または、音信号の符号が変更される回数を示す。算出されたＺＣＲは、音声判定部２５ａに出力される。なお、ステップＳ２３においては、ｆｌａｔｎｅｓｓ（信号平坦性比率）などのノイズを推定するための他の音響特徴量が算出され、ステップＳ２４以降では、ＺＣＲに代えて当該他の音響特徴量が用いられてもよい。

音声検出部２４ｃは、マイクロフォン２１から出力される音信号であってバンドパスフィルタ２３ｃが適用された音信号に信号処理を行うことにより、ＭＦＣＣ（Ｍｅｌ－Ｆｒｅｑｕｅｎｃｙ Ｃｅｐｓｔｒａｌ Ｃｏｅｆｆｉｃｉｅｎｔ、メル周波数ケプストラム係数）を算出する（Ｓ２４）。ＭＦＣＣは、音声認識等で特徴量として用いられるケプストラムの係数であり、メルフィルタバンクを用いて圧縮されたパワースペクトルを対数パワースペクトルに変換し、対数パワースペクトルに逆離散コサイン変換を適用することで得られる。算出されたＭＦＣＣは、音声判定部２５ａに出力される。

音声判定部２５ａは、雑音検出部２４ｂから出力されるＺＣＲ及び音声検出部２４ｃから出力されるＭＦＣＣに基づいて、マイクロフォン２１によって取得された音に人の音声が含まれるか否かを判定する（Ｓ２５）。音声判定部２５ａは、ＺＣＲ及びＭＦＣＣを入力として上記音に人の音声が含まれるか否かの判定結果を出力する第一機械学習モデル（ニューラルネットワーク）を含み、このような第一機械学習モデルを用いてマイクロフォン２１によって取得された音に人の音声が含まれるか否かを判定することができる。判定結果は、残響判定部２５ｂに出力される。なお、ＺＣＲ及びＭＦＣＣの両方に基づいて判定が行われることは必須ではなく、ＺＣＲ及びＭＦＣＣの少なくとも一方に基づいて判定が行われればよい。つまり、雑音検出部２４ｂ及び音声検出部２４ｃの一方は省略されてもよい。

残響判定部２５ｂは、音声判定部２５ａから出力される判定結果が、マイクロフォン２１によって取得された音に人の音声が含まれることを示す場合に（Ｓ２５でＹｅｓ）、残響検出部２４ａから出力される音響特徴量に基づいて、マイクロフォン２１によって取得された音に含まれる人の音声が残響感を有する否かを判定する（Ｓ２６）。本実施の形態において音声が残響感を有するか否かを判定するとは、厳密な意味ではなく、人の音声が有する残響感の程度（大小）を判定するという意味である。人の音声が残響感を有するか否かは、人の音声に含まれる残響感が強いか否か、及び、人の音声に含まれる残響音の成分が所定量よりも多いか否か、等に言い換えることができる。

残響判定部２５ｂは、具体的には、残響検出部２４ａから出力される音響特徴量を残響判定部２５ｂに含まれる第二機械学習モデル（ニューラルネットワーク）に入力する。この第二機械学習モデルは、音響特徴量を入力として上記人の音声が残響感を有するか否かの判定結果を出力する。つまり、残響判定部２５ｂは、このような第二機械学習モデルを用いてマイクロフォン２１によって取得された音に含まれる人の音声が残響感を有するか否かを判定することができる。残響判定部２５ｂは、判定結果を切替部２４ｄに出力する。

切替部２４ｄは、音声判定部２５ａから出力される判定結果、及び、残響判定部２５ｂから出力される判定結果に基づいて、マイクロフォン２１によって出力された音信号にイコライジング処理（第１信号処理の一例）を行うか、位相反転処理（第２信号処理の一例）を行うかを切り替える。

残響判定部２５ｂから出力される判定結果が、マイクロフォン２１によって取得された音に含まれる人の音声が残響感を有することを示す場合（Ｓ２６でＹｅｓ）は、言い換えれば、マイクロフォン２１によってアナウンス音が取得された場合である。このような場合、切替部２４ｄは、音信号に特定の周波数成分を強調するためのイコライジング処理を行って第１音信号として出力する（Ｓ２７）。特定の周波数成分は、例えば、１００Ｈｚ以上２ｋＨｚ以下の周波数成分である。

ミキシング回路２７ｂは、第１音信号に通信回路２７ａによって受信された第３音信号（音楽コンテンツ）をミキシングしてスピーカ２８に出力し（Ｓ２９）、スピーカ２８は、第３音信号がミキシングされた第１音信号に基づいて音を再生する（Ｓ３０）。ステップＳ２７の処理の結果、アナウンス音が強調されるので、耳装着型デバイス２０のユーザはアナウンス音を聞き取りやすくなる。

一方、音声判定部２５ａから出力される判定結果が、マイクロフォン２１によって取得された音に人の音声が含まれないことを示す場合（Ｓ２５でＮｏ）、及び、残響判定部２５ｂから出力される判定結果が、マイクロフォン２１によって取得された音に含まれる人の音声が残響感を有しない（残響感に乏しい）ことを示す場合（Ｓ２６でＮｏ）は、言い換えれば、マイクロフォン２１によってアナウンス音以外の音が取得された場合である。このような場合、切替部２４ｄは、音信号に位相反転処理を行って第２音信号として出力する（Ｓ２８）。

ミキシング回路２７ｂは、第２音信号に通信回路２７ａによって受信された第３音信号（音楽コンテンツ）をミキシングしてスピーカ２８に出力し（Ｓ２９）、スピーカ２８は、第３音信号がミキシングされた第２音信号に基づいて音を再生する（Ｓ３０）。ステップＳ２８の処理の結果、耳装着型デバイス２０のユーザにとっては耳装着型デバイス２０の周囲の音が減衰して感じられるので、当該ユーザは音楽コンテンツを明瞭に聞き取ることができる。

以上説明したように、アナウンスモードの動作中のＤＳＰ２２は、マイクロフォン２１によって取得された音に含まれる人の音声が残響感を有するか否かを判定し、当該音に含まれる人の音声が残響感を有すると判定した場合に第１音信号を出力し、当該音に含まれる人の音声が残響感を有しないと判定した場合に第２音信号を出力する。第１音信号は、マイクロフォン２１から出力された音信号に、音の特定の周波数成分を強調するためのイコライジング処理が施された音信号であり、第２音信号は、マイクロフォン２１から出力された音信号に位相反転処理が施された音信号である。

これにより、アナウンスモードの動作中の耳装着型デバイス２０は、ユーザがアナウンス音を聞き取ることを支援しつつ、アナウンス音以外の音を減衰させることができる。

［対話モードの動作例］
次に、対話モードに設定された耳装着型デバイス２０の動作例について説明する。図６は、耳装着型デバイス２０の対話モードの動作例のフローチャートである。対話モードは、第２モードの一例であり、ユーザに直接的に到達する発話音を選択的に強調することでユーザが他のユーザと対話を行うことを支援するための動作モードである。

ステップＳ３１～Ｓ３５の処理は、アナウンスモードの動作例におけるステップＳ２１～Ｓ２５と同様である。残響判定部２５ｂは、音声判定部２５ａから出力される判定結果が、マイクロフォン２１によって取得された音に人の音声が含まれることを示す場合に（Ｓ３５でＹｅｓ）、残響検出部２４ａから出力される音響特徴量に基づいて、マイクロフォン２１によって取得された音に含まれる人の音声が残響感を有する否かを判定する（Ｓ３６）。

ステップＳ３６の後、切替部２４ｄは、音声判定部２５ａから出力される判定結果、及び、残響判定部２５ｂから出力される判定結果に基づいて、マイクロフォン２１によって出力された音信号にイコライジング処理を行うか、位相反転処理を行うかを切り替える。

残響判定部２５ｂから出力される判定結果が、マイクロフォン２１によって取得された音に含まれる人の音声が残響感を有しない（残響感に乏しい）ことを示す場合（Ｓ３６でＮｏ）は、言い換えれば、マイクロフォン２１によってユーザに直接的に到達する発話音が取得された場合である。このような場合、切替部２４ｄは、音信号に特定の周波数成分を強調するためのイコライジング処理を行って第１音信号として出力する（Ｓ３７）。特定の周波数成分は、例えば、１００Ｈｚ以上２ｋＨｚ以下の周波数成分である。

ミキシング回路２７ｂは、第１音信号に通信回路２７ａによって受信された第３音信号（音楽コンテンツ）をミキシングしてスピーカ２８に出力し（Ｓ３９）、スピーカ２８は、第３音信号がミキシングされた第１音信号に基づいて音を再生する（Ｓ４０）。ステップＳ３７の処理の結果、ユーザに直接的に到達する発話音が強調されるので、耳装着型デバイス２０のユーザはユーザに直接的に到達する発話音を聞き取りやすくなる。

一方、音声判定部２５ａから出力される判定結果が、マイクロフォン２１によって取得された音に人の音声が含まれないことを示す場合（Ｓ３５でＮｏ）、及び、残響判定部２５ｂから出力される判定結果が、マイクロフォン２１によって取得された音に含まれる人の音声が残響感を有することを示す場合（Ｓ３６でＹｅｓ）は、言い換えれば、マイクロフォン２１によってユーザに直接的に到達する発話音以外の音が取得された場合である。このような場合、切替部２４ｄは、音信号に位相反転処理を行って第２音信号として出力する（Ｓ３８）。

ミキシング回路２７ｂは、第２音信号に通信回路２７ａによって受信された第３音信号（音楽コンテンツ）をミキシングしてスピーカ２８に出力し（Ｓ３９）、スピーカ２８は、第３音信号がミキシングされた第２音信号に基づいて音を再生する（Ｓ４０）。ステップＳ３８の処理の結果、耳装着型デバイス２０のユーザにとっては耳装着型デバイス２０の周囲の音が減衰して感じられるので、当該ユーザは音楽コンテンツを明瞭に聞き取ることができる。

以上説明したように、対話モードの動作中のＤＳＰ２２は、マイクロフォン２１によって取得された音に含まれる人の音声が残響感を有するか否かを判定し、当該音に含まれる人の音声が残響感を有しないと判定した場合に第１音信号を出力し、当該音に含まれる人の音声が残響感を有すると判定した場合に第２音信号を出力する。第１音信号は、マイクロフォン２１から出力された音信号に、音の特定の周波数成分を強調するためのイコライジング処理が施された音信号であり、第２音信号は、マイクロフォン２１から出力された音信号に位相反転処理が施された音信号である。

これにより、対話モードの動作中の耳装着型デバイス２０は、ユーザの他のユーザとの対話を支援しつつ、ユーザに直接的に到達する発話音以外の音を減衰させることができる。

［音声検出モードの動作例］
次に、音声検出モードに設定された耳装着型デバイス２０の動作例について説明する。図７は、耳装着型デバイス２０の音声検出モードの動作例のフローチャートである。音声検出モードは、第３モードの一例であり、人の音声を当該人の音声がユーザに直接的に到達する発話音であるかアナウンス音であるかは問わずに強調し、ユーザが人の音声を聞き取ることを支援するための動作モードである。

マイクロフォン２１は音を取得し、取得した音の音信号を出力する（Ｓ４１）。雑音検出部２４ｂは、マイクロフォン２１から出力される音信号であってローパスフィルタ２３ｂが適用された音信号に信号処理を行うことにより当該音信号のＺＣＲを算出する（Ｓ４２）。算出されたＺＣＲは、音声判定部２５ａに出力される。

音声検出部２４ｃは、マイクロフォン２１から出力される音信号であってバンドパスフィルタ２３ｃが適用された音信号に信号処理を行うことにより、ＭＦＣＣを算出する（Ｓ４３）。算出されたＭＦＣＣは、音声判定部２５ａに出力される。

音声判定部２５ａは、雑音検出部２４ｂから出力されるＺＣＲ及び音声検出部２４ｃから出力されるＭＦＣＣに基づいて、マイクロフォン２１によって取得された音に人の音声が含まれるか否かを判定する（Ｓ４４）。ステップＳ４４における具体的な処理は、ステップＳ２５及びステップＳ３５と同様である。

切替部２４ｄは、音声判定部２５ａから出力される判定結果に基づいて、マイクロフォン２１によって出力された音信号にイコライジング処理を行うか、位相反転処理を行うかを切り替える。

音声判定部２５ａから出力される判定結果が、マイクロフォン２１によって取得された音に人の音声が含まれることを示す場合（Ｓ４４でＹｅｓ）、切替部２４ｄは、音信号に特定の周波数成分を強調するためのイコライジング処理を行って第１音信号として出力する（Ｓ４５）。特定の周波数成分は、例えば、１００Ｈｚ以上２ｋＨｚ以下の周波数成分である。

ミキシング回路２７ｂは、第１音信号に通信回路２７ａによって受信された第３音信号（音楽コンテンツ）をミキシングしてスピーカ２８に出力し（Ｓ４７）、スピーカ２８は、第３音信号がミキシングされた第１音信号に基づいて音を再生する（Ｓ４８）。ステップＳ４５の処理の結果、音声が強調されるので、耳装着型デバイス２０のユーザは音声を聞き取りやすくなる。

一方、音声判定部２５ａから出力される判定結果が、マイクロフォン２１によって取得された音に人の音声が含まれないことを示す場合（Ｓ４４でＮｏ）、切替部２４ｄは、音信号に位相反転処理を行って第２音信号として出力する（Ｓ４６）。

ミキシング回路２７ｂは、第２音信号に通信回路２７ａによって受信された第３音信号（音楽コンテンツ）をミキシングしてスピーカ２８に出力し（Ｓ４７）、スピーカ２８は、第３音信号がミキシングされた第２音信号に基づいて音を再生する（Ｓ４８）。ステップＳ４６の処理の結果、耳装着型デバイス２０のユーザにとっては耳装着型デバイス２０の周囲の音が減衰して感じられるので、当該ユーザは音楽コンテンツを明瞭に聞き取ることができる。

以上説明したように、音声検出モードの動作中のＤＳＰ２２は、マイクロフォン２１によって取得された音に人の音声が含まれるか否かを判定し、当該音に人の音声が含まれると判定した場合に第１音信号を出力し、当該音に人の音声が含まれないと判定した場合に第２音信号を出力する。第１音信号は、マイクロフォン２１から出力された音信号に、音の特定の周波数成分を強調するためのイコライジング処理が施された音信号であり、第２音信号は、マイクロフォン２１から出力された音信号に位相反転処理が施された音信号である。

これにより、音声検出モードの動作中の耳装着型デバイス２０は、ユーザが人の音声を聞き取ることを支援しつつ、人の音声以外の音を減衰させることができる。

［音響特徴量の例１］
次に、残響検出部２４ａによって算出される音響特徴量の例１について説明する。音響特徴量としては、例えば、音信号の音圧レベルの経時変化と、オンセット時刻との関係性を示すオンセット情報が用いられる。オンセット情報は、音圧レベルの経時変化を示す波形と、当該波形におけるオンセット時刻の位置とを含む情報である。図８は、オンセット時刻を説明するための図であり、図８の（ａ）は、音信号の波形の経時変化を示し、図８の（ｂ）は、音のパワーの経時変化を示す図である。図８の（ｂ）は、より詳細には、図８の（ａ）の波形を周波数分解してメルスペクトログラムを算出し、算出したメルスペクトログラム重畳して、時間方向に包絡線をとった図である。図８に示されるように、オンセット時刻とは、音が出始める時刻を意味する。

図９は、直接的に到達する人の発話音のオンセット情報の一例を示す図であり、図１０は、アナウンス音のオンセット情報の一例を示す図である。図９は、人の音声をマイクロフォンによって直接的に取得した場合に得られるオンセット情報を示し、図１０は、同じ人の音声をスピーカ経由で間接的に同じマイクロフォンによって取得した場合に得られるオンセット情報である。つまり、図９のオンセット情報と図１０のオンセット情報とは、残響の有無（残響の程度）のみが異なる。

図９及び図１０において、実線は、上記人の音声の音信号を周波数解析（具体的には、周波数分解および、メルスペクトログラムから時系列のエンベロープを算出）することにより、各周波数における音圧レベルを抽出し、抽出した音圧レベルを重畳することで得られる、総合的な音圧レベルの経時変化を示す。図９及び図１０において、破線は、オンセット時刻を示す。図９及び図１０のオンセット時刻は、上記人の音声の音信号を周波数解析することにより、各周波数における音圧レベルを抽出し、最も音圧レベルが高い周波数における音圧レベルの変化に基づいて特定されている。

このように、オンセット情報は、音圧レベルの経時変化を示す波形と、当該波形におけるオンセット時刻の位置とを含む情報であり、上記ステップＳ２２及びＳ３２において、残響検出部２４ａは、このようなオンセット情報を音響特徴量として算出し、残響判定部２５ｂに出力する。

残響判定部２５ｂに含まれる第二機械学習モデルは、図９及び図１０に示されるようなオンセット情報の組（つまり、残響の有無のみが異なるオンセット情報の組）を学習することであらかじめ構築されたものである。学習の際には、オンセット情報には残響の有無がラベルとして付与（アノテーション）される。

このように、ＤＳＰ２２は、音信号からオンセット情報を算出し、算出したオンセット情報に基づいて、マイクロフォン２１によって取得された音に含まれる人の音声が残響感を有するか否かを判定することができる。

［音響特徴量の例２］
次に、残響検出部２４ａによって算出される音響特徴量の例２について説明する。音響特徴量としては、例えば、残響音のパワースペクトルが用いられる。図１１は、ユーザに直接的に到達する発話音のパワースペクトルを示す図であり、図１２は、ユーザに直接的に到達する発話音に含まれる残響音のパワースペクトルを示す図であり、図１３は、ユーザに直接的に到達する発話音に含まれるアタック音のパワースペクトルを示す図である。図１４は、アナウンス音のパワースペクトルを示す図であり、図１５は、このアナウンス音に含まれる残響音のパワースペクトルを示す図であり、図１６は、このアナウンス音に含まれるアタック音のパワースペクトルを示す図である。図１１～図１６においては、色の白い部分ほどパワー値が高く、色が黒い部分ほどパワー値が低いことを意味する。図１１～図１３の元となるユーザに直接的に到達する発話音と、図１４～図１６の元となるアナウンス音とは、残響の有無（残響の程度）のみが異なる。

なお、残響音のパワースペクトルは、図８の（ｂ）のアタック部分以外の部分パワースペクトルである。残響音のパワースペクトルは、時間領域において連続的な区間を抽出したパワースペクトルである。残響音のパワースペクトルは、具体的には、各要素がパワー値を示す行列情報である。なお、上記アタック部分とは、周波数領域に対して連続的（広い周波数帯で音がなっている状態）な区間を時間軸で捉えたときに、音が発生する点から音圧がピークに達する点までに相当する部分であり、アタック音のパワースペクトルは、周波数領域において連続的な区間を抽出したパワースペクトルである。

上記ステップＳ２２及びＳ３２において、残響検出部２４ａは、このような残響音のパワースペクトルを音響特徴量として算出し、残響判定部２５ｂに出力する。残響音のパワースペクトルを算出するための具体的な方法については、既存のどのような方法が用いられてもよい。ここでは、ＨＰＳＳ（Ｈｅｒｍｏｎｉｃ／Ｐｅｒｃｕｓｓｉｖｅ Ｓｏｕｒｃｅ Ｓｅｐｅｒａｔｉｏｎ）を残響検出の用途のために改修したもの用いている。

残響判定部２５ｂに含まれる第二機械学習モデルは図１２及び図１５に示されるような残響音のパワースペクトルの組（つまり、残響の有無のみが異なる残響音のパワースペクトルの組）を学習することであらかじめ構築されたものである。学習の際には、残響音のパワースペクトルには残響の有無がラベルとして付与（アノテーション）される。

このように、ＤＳＰ２２は、音信号から残響音のパワースペクトルを算出し、算出した残響音のパワースペクトルに基づいて、人の音声が残響感を有するか否かを判定することができる。

［効果等］
以上説明したように、耳装着型デバイス２０は、音を取得し、取得した上記音の音信号を出力するマイクロフォン２１と、上記音信号に信号処理を行うことにより、上記音に含まれる音声が残響感を有するか否かを判定し、音信号に第１信号処理を行った第１音信号を、判定結果に基づいて出力するＤＳＰ２２と、出力された第１音信号に基づいて音を再生するスピーカ２８と、マイクロフォン２１、ＤＳＰ２２、及び、スピーカ２８を収容するハウジング２９とを備える。ＤＳＰは、信号処理回路の一例である。

このような耳装着型デバイス２０は、ユーザに直接的に到達する発話音の音信号とアナウンス音の音信号とを区別して信号処理を行うことができる。

また、例えば、ＤＳＰ２２は、第１音信号、及び、音信号に第１信号処理と異なる第２信号処理を行った第２音信号を、判定結果に基づいて選択的に出力する。スピーカ２８は、出力された第１音信号及び出力された第２音信号の一方に基づいて音を再生する。

このような耳装着型デバイス２０は、ユーザに直接的に到達する発話音の音信号とアナウンス音の音信号とに異なる信号処理を行うことができる。

また、例えば、第１信号処理は、取得された音の特定の周波数成分を強調するためのイコライジング処理を含み、第２信号処理は、位相反転処理を含む。

このような耳装着型デバイス２０は、直接音及びアナウンス音の一方を強調し、他方を減衰させることができる。

また、例えば、ＤＳＰ２２は、上記音に含まれる音声が残響感を有すると判定した場合に第１音信号を出力し、音に含まれる音声が残響感を有しないと判定した場合に第２音信号を出力する。

このような耳装着型デバイス２０は、アナウンス音を強調し、直接音を減衰させることができる。耳装着型デバイス２０は、ユーザがアナウンス音を聞き取ることを支援することができる。

また、例えば、ＤＳＰ２２は、上記音に含まれる音声が残響感を有しないと判定した場合に第１音信号を出力し、上記音に含まれる音声が残響感を有すると判定した場合に第２音信号を出力する。

このような耳装着型デバイス２０は、ユーザに直接的に到達する発話音を強調し、アナウンス音を減衰させることができる。耳装着型デバイス２０は、ユーザが当該ユーザに話しかける他のユーザと対話することを支援することができる。

また、例えば、ＤＳＰ２２は、アナウンスモードの動作、及び、対話モードの動作とを選択的に行う。アナウンスモードの動作中のＤＳＰ２２は、上記音に含まれる音声が残響感を有すると判定した場合に第１音信号を出力し、上記音に含まれる音声が残響感を有しないと判定した場合に第２音信号を出力する。また、対話モードの動作中のＤＳＰ２２は、上記音に含まれる音声が残響感を有しないと判定した場合に第１音信号を出力し、上記音に含まれる音声が残響感を有すると判定した場合に第２音信号を出力する。アナウンスモードは、第１モードの一例であり、対話モードは、第２モードの一例である。

このような耳装着型デバイス２０は、アナウンス音を強調し、ユーザに直接的に到達する発話音を減衰させるアナウンスモードの動作と、ユーザに直接的に到達する発話音を強調し、アナウンス音を減衰させる対話モードの動作とを選択的に実行することができる。

また、例えば、ＤＳＰ２２は、アナウンスモードの動作、対話モードの動作、及び、音声検出モードの動作を選択的に行う。音声検出モードの動作中のＤＳＰ２２は、上記音信号に信号処理を行うことにより、上記音に音声が含まれるか否かを判定し、取得された上記音に音声が含まれると判定した場合に第１音信号を出力し、取得された上記音に音声が含まれないと判定した場合に第２音信号を出力する。音声検出モードは、第３モードの一例である。

このような耳装着型デバイス２０は、アナウンスモードの動作、及び、対話モードの動作に加えて、人の音声を強調し、雑音を減衰させる音声検出モードの動作を実行することができる。

また、例えば、ＤＳＰ２２は、上記音信号に信号処理を行うことにより、上記音に含まれる残響音のパワースペクトルを算出し、算出した上記パワースペクトルに基づいて、上記音に含まれる音声が残響感を有するか否かを判定する。

このような耳装着型デバイス２０は、残響音のパワースペクトルに基づいて、音声が残響感を有するか否かを判定することができる。

また、例えば、ＤＳＰ２２は、上記音信号に信号処理を行うことにより、上記音信号の音圧レベルの経時変化、及び、オンセット時刻を示すオンセット情報を算出し、算出したオンセット情報に基づいて、上記音に含まれる音声が残響感を有するか否かを判定する。

このような耳装着型デバイス２０は、オンセット情報に基づいて、人の音声が残響感を有するか否かを判定することができる。

また、例えば、耳装着型デバイス２０は、さらに、出力された第１音信号に、携帯端末３０から提供される第３音信号をミキシングするミキシング回路２７ｂを備える。スピーカ２８は、第３音信号がミキシングされた第１音信号に基づいて音を再生する。携帯端末３０は、音源の一例である。

このような耳装着型デバイスは、第３音信号の再生中に、アナウンスモードの動作等を行うことができる。

また、耳装着型デバイス２０などのコンピュータが実行する再生方法は、音を取得するマイクロフォンが出力した上記音の音信号に信号処理を行うことにより、上記音に含まれる音声が残響感を有するか否かを判定する判定ステップＳ２６と、上記音信号に第１信号処理を行った第１音信号を、判定ステップＳ２６における判定結果に基づいて出力する出力ステップＳ２７と、出力された第１音信号に基づいて音を再生する再生ステップＳ３０とを含む。

このような再生方法は、ユーザに直接的に到達する発話音の音信号とアナウンス音の音信号とを区別して信号処理を行うことができる。

（その他の実施の形態）
以上、実施の形態について説明したが、本開示は、上記実施の形態に限定されるものではない。

例えば、上記実施の形態においては、耳装着型デバイスは、イヤホン型のデバイスであると説明されたが、ヘッドホン型のデバイスであってもよい。また、上記実施の形態において、耳装着型デバイスは、３つの動作モードで選択的に動作したが、３つの動作モードの少なくとも１つの動作モードを有するデバイスであってもよいし、３つの動作モードのいずれか１つに特化したデバイスであってもよい。

また、上記実施の形態において、耳装着型デバイスは、音楽コンテンツを再生する機能を有していたが、音楽コンテンツを再生する機能（通信モジュール）を有していなくてもよい。例えば、耳装着型デバイスは、ノイズキャンセル機能、及び、外音取り込み機能を有する耳栓であってもよい。

また、上記実施の形態では、マイクロフォンによって取得された音に音声が含まれるか否かの判定は、機械学習モデルを使用して行われたが、機械学習モデルを使用しない他のアルゴリズムに基づいて行われてもよい。音声が残響感を有するか否かの判定についても同様である。

また、上記実施の形態に係る耳装着型デバイスの構成は、一例である。例えば、耳装着型デバイスは、Ｄ／Ａ変換器、フィルタ、電力増幅器、または、Ａ／Ｄ変換器などの図示されない構成要素を含んでもよい。

また、上記実施の形態において、音信号処理システムは、複数の装置によって実現されたが、単一の装置として実現されてもよい。音信号処理システムが複数の装置によって実現される場合、音信号処理システムが備える機能的な構成要素は、複数の装置にどのように振り分けられてもよい。例えば、上記実施の形態において、耳装着型デバイスが備える機能的な構成要素の一部または全部を携帯端末が備えてもよい。

また、上記実施の形態における装置間の通信方法については特に限定されるものではない。上記実施の形態において２つの装置が通信を行う場合、２つの装置間には図示されない中継装置が介在してもよい。

また、上記実施の形態で説明された処理の順序は、一例である。複数の処理の順序は変更されてもよいし、複数の処理は並行して実行されてもよい。また、特定の処理部が実行する処理を別の処理部が実行してもよい。また、上記実施の形態で説明されたデジタル信号処理の一部がアナログ信号処理によって実現されてもよい。

また、上記実施の形態において、各構成要素は、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵ又はプロセッサなどのプログラム実行部が、ハードディスク又は半導体メモリなどの記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。

また、各構成要素は、ハードウェアによって実現されてもよい。例えば、各構成要素は、回路（又は集積回路）でもよい。これらの回路は、全体として１つの回路を構成してもよいし、それぞれ別々の回路でもよい。また、これらの回路は、それぞれ、汎用的な回路でもよいし、専用の回路でもよい。

また、本開示の全般的又は具体的な態様は、システム、装置、方法、集積回路、コンピュータプログラム又はコンピュータ読み取り可能なＣＤ－ＲＯＭなどの記録媒体で実現されてもよい。また、システム、装置、方法、集積回路、コンピュータプログラム及び記録媒体の任意な組み合わせで実現されてもよい。例えば、本開示は、耳装着型デバイスまたは携帯端末などのコンピュータが実行する再生方法として実行されてもよいし、このような再生方法をコンピュータに実行させるためのプログラムとして実現されてもよい。また、本開示は、このようなプログラムが記録されたコンピュータ読み取り可能な非一時的な記録媒体として実現されてもよい。なお、ここでのプログラムには、汎用の携帯端末を上記実施の形態の携帯端末として機能させるためのアプリケーションプログラムが含まれる。

その他、各実施の形態に対して当業者が思いつく各種変形を施して得られる形態、又は、本開示の趣旨を逸脱しない範囲で各実施の形態における構成要素及び機能を任意に組み合わせることで実現される形態も本開示に含まれる。

本開示の耳装着型デバイスは、直接音の成分が相対的に強い音の音信号と間接音の成分が相対的に強い音の音信号とを区別して信号処理を行うことができる。

１０ 音信号処理システム
２０ 耳装着型デバイス
２１ マイクロフォン
２２ ＤＳＰ
２３ フィルタ部
２３ａ ハイパスフィルタ
２３ｂ ローパスフィルタ
２３ｃ バンドパスフィルタ
２４ 信号処理部
２４ａ 残響検出部
２４ｂ 雑音検出部
２４ｃ 音声検出部
２４ｄ 切替部
２５ ニューラルネットワーク部
２５ａ 音声判定部
２５ｂ 残響判定部
２６ 記憶部
２７ 通信モジュール
２７ａ 通信回路
２７ｂ ミキシング回路
２８ スピーカ
２９ ハウジング
３０ 携帯端末
３１ ＵＩ部
３２ 通信回路
３３ 情報処理部
３４ 記憶部

Claims (17)

1. 音を取得し、取得した前記音の音信号を出力するマイクロフォンと、
   前記音信号に信号処理を行うことにより、前記音に含まれる音声が残響感を有するか否かを判定し、前記音に含まれる音声が残響感を有すると判定した場合、位相反転処理を含む第２信号処理を前記音信号に対して行った第２音信号を出力する信号処理回路と、
   出力された前記第２音信号に基づいて音を再生するスピーカと、
   前記マイクロフォン、前記信号処理回路、及び、前記スピーカを収容するハウジングとを備える
   耳装着型デバイス。
2. 前記信号処理回路は、前記音信号に信号処理を行うことにより、前記音に音声が含まれるか否かを判定し、取得された前記音に音声が含まれると判定した場合、かつ、前記音声が残響感を有すると判定した場合に前記第２音信号を出力する、
   請求項１に記載の耳装着型デバイス。
3. 前記信号処理回路は、前記音に含まれる音声が残響感を有しないと判定した場合、前記音声の周波数成分を強調するためのイコライジング処理を含む第１信号処理を前記音信号に対して行った第１音信号を出力し、
   前記スピーカは、出力された前記第１音信号及び出力された前記第２音信号の一方に基づいて音を再生する
   請求項１又は２に記載の耳装着型デバイス。
4. 前記信号処理回路は、前記音声が残響感を有するか否かに応じて前記音声がアナウンス音であるか否かを判定し、前記音声がアナウンス音であると判定した場合、前記第２音信号を出力する、
   請求項１に記載の耳装着型デバイス。
5. 前記アナウンス音は、前記マイクロフォンに直接的に到達する音以外の音である、
   請求項４に記載の耳装着型デバイス。
6. 前記アナウンス音は、直接音の成分に対して間接音の成分が相対的に強い音であり、
   前記直接音は、音源から反射せずに直接前記マイクロフォンに届く音であり、前記間接音は、前記音源から１回以上反射した後に前記マイクロフォンに届く音である、
   請求項４または５に記載の耳装着型デバイス。
7. 前記信号処理回路は、前記音に含まれる音声がアナウンス音ではないと判定した場合、前記音声の周波数成分を強調するためのイコライジング処理を含む第１信号処理を前記音信号に対して行った第１音信号を出力し、
   前記スピーカは、出力された前記第１音信号及び出力された前記第２音信号の一方に基づいて音を再生する
   請求項４～６のいずれか１項に記載の耳装着型デバイス。
8. 前記信号処理回路は、第１モードの動作、及び、第２モードの動作を選択的に行い、
   前記第１モードの動作中の前記信号処理回路は、
   前記音に含まれる音声がアナウンス音であると判定した場合に前記第１音信号を出力し、
   前記音に含まれる音声がアナウンス音ではないと判定した場合に前記第２音信号を出力し、
   前記第２モードの動作中の前記信号処理回路は、
   前記音に含まれる音声がアナウンス音ではないと判定した場合に前記第１音信号を出力し、
   前記音に含まれる音声がアナウンス音であると判定した場合に前記第２音信号を出力する
   請求項７に記載の耳装着型デバイス。
9. 音を取得し、取得した前記音の音信号を出力するマイクロフォンと、
   前記音信号に信号処理を行うことにより、前記音に含まれる音声が残響感を有するか否かを判定する信号処理回路とを備え、
   前記信号処理回路は、第１モードの動作、及び、第２モードの動作を選択的に行い、
   前記第１モードの動作中の前記信号処理回路は、前記音に含まれる音声が残響感を有すると判定した場合、前記音声の周波数成分を強調するためのイコライジング処理を含む第１信号処理を前記音信号に対して行った第１音信号を出力し、
   前記第２モードの動作中の前記信号処理回路は、前記音に含まれる音声が残響感を有すると判定した場合、位相反転処理を含む第２信号処理を前記音信号に対して行った第２音信号を出力し、
   出力された前記第１音信号及び出力された前記第２音信号の一方に基づいて音を再生するスピーカと、
   前記マイクロフォン、前記信号処理回路、及び、前記スピーカを収容するハウジングとをさらに備える
   耳装着型デバイス。
10. 前記信号処理回路は、前記第１モードの動作、前記第２モードの動作、及び、第３モードの動作を選択的に行い、
    前記第３モードの動作中の信号処理回路は、
    前記音信号に信号処理を行うことにより、前記音に音声が含まれるか否かを判定し、
    取得された前記音に音声が含まれると判定した場合に前記第１音信号を出力し、
    取得された前記音に音声が含まれないと判定した場合に前記第２音信号を出力する
    請求項８または９に記載の耳装着型デバイス。
11. 前記信号処理回路は、前記音信号に前記信号処理を行うことにより、前記音に含まれる残響音のパワースペクトルを算出し、算出した前記パワースペクトルに基づいて、前記音に含まれる音声が残響感を有するか否かを判定する
    請求項１～１０のいずれか１項に記載の耳装着型デバイス。
12. 前記信号処理回路は、前記音信号に前記信号処理を行うことにより、前記音信号の音圧レベルの経時変化、及び、オンセット時刻を示すオンセット情報を算出し、算出した前記オンセット情報に基づいて、前記音に含まれる音声が残響感を有するか否かを判定する
    請求項１～１０のいずれか１項に記載の耳装着型デバイス。
13. さらに、出力された前記第２音信号に、音源から提供される第３音信号をミキシングするミキシング回路を備え、
    前記スピーカは、前記第３音信号がミキシングされた前記第２音信号に基づいて音を再生する
    請求項１～１２のいずれか１項に記載の耳装着型デバイス。
14. 音を取得するマイクロフォンが出力した前記音の音信号に信号処理を行うことにより、前記音に含まれる音声が残響感を有するか否かを判定する判定ステップと、
    前記判定ステップにおいて前記音に含まれる音声が残響感を有すると判定した場合、位相反転処理を含む第２信号処理を前記音信号に対して行った第２音信号を出力する出力ステップと、
    出力された前記第２音信号に基づいて音を再生する再生ステップとを含む
    再生方法。
15. 請求項１４に記載の再生方法をコンピュータに実行させるためのプログラム。
16. 音を取得するマイクロフォンが出力した前記音の音信号に信号処理を行うことにより、前記音に含まれる音声が残響感を有するか否かを判定する判定ステップと、
    第１モードの動作、及び、第２モードの動作を選択的に行う出力ステップとを含み、
    前記第１モードの動作中は、前記判定ステップにおいて前記音に含まれる音声が残響感を有すると判定した場合、前記音声の周波数成分を強調するためのイコライジング処理を含む第１信号処理を前記音信号に対して行った第１音信号を出力し、
    前記第２モードの動作中は、前記判定ステップにおいて前記音に含まれる音声が残響感を有すると判定した場合、位相反転処理を含む第２信号処理を前記音信号に対して行った第２音信号を出力し、
    出力された前記第１音信号及び出力された前記第２音信号の一方に基づいて音を再生する再生ステップをさらに含む
    再生方法。
17. 請求項１６に記載の再生方法をコンピュータに実行させるためのプログラム。