本発明は、複数のマイクを備える音声入力装置に関する。

複数のマイク（アレイマイク）を備え、ノイズ除去機能や話者位置検出機能を実現した音声入力装置が提案されている。

例えば、特許文献１には、マイクとしての機能とスピーカとしての機能とを切替えることができる放集音素子を、等間隔で配置し、入力音声の周波数帯域に基づいて、マイクの配列パターンを変更する音声入力装置が開示されている。

また、特許文献２には、アレイマイク内の各マイクが取り込んだ音声の位相差を検出し、音源の位置を判別することができる音声入力装置が開示されている。

特開２００６−１１４９９０号公報

特開平７−９２９８８号公報

屋外で使用されることの多い携帯電話装置の音声入力装置は、周辺騒音や部外者の声等の不特定ノイズから話者の声を分離して入力する必要がある。 即ち、音声分離性能に優れている必要がある。 また、携帯型であることより、小型であることが望まれる。

特許文献１に開示されている音声入力装置は、低周波数帯域の周波数成分を有する音声波と、高周波帯域の周波数成分を有する音声波とが入力されたときでも、それぞれの音声波の周波数帯域において、高い音声分離性能が得られるマイクの配列パターンを形成する。

しかし、この音声入力装置は、多数のマイクを配置できる大きな空間と、全ての放集音素子を個々に制御するための大規模な制御回路や配線パターン等と、を必要とする。 そのため、特許文献１の音声入力装置は、携帯型電子装置に要求される小型・軽量の要求を満たすことができない。

アレイマイクが分離（入力）できる音声の中心周波数Ｆｔは、マイクの間隔Ｄによって、数式１により定まる。
（数１）
Ｆｔ＝Ｖ／（２×Ｄ）
Ｖ：音速

音声入力装置は、この中心周波数Ｆｔ±数百Ｈｚ程度の周波数帯域において、高い音声分離性能が得られる、即ち、高い入力音声信号レベルを得ることができる。

特許文献２の音声検出装置は、マイクが等間隔に配列されている。 そのため、間隔が同一なマイクの組み合わせがほとんどであり、間隔の異なるマイクの組み合わせは少ない。 従って、特許文献２の音声入力装置は、話者の音声帯域が、マイク相互の間隔によって定まる特定の周波数帯域では高い音声分離性能を示すが、他の周波数帯域では高い音声分離性能が得られない。 その結果、特許文献２のアレイマイクでは、話者の声の音質よっては、音声分離性能に偏りが生じてしまい、良好な音声分離性能を得ることができない。

同様の問題は、携帯電話装置に限らず、アレイマイクを用いて音声入力機能を備える種々の携帯型電子装置に共通する。

本発明は、上記実情に鑑みてなされたものであり、話者の音声の周波数に起因して生じる、音声入力装置の音声分離性能の偏りを起こりにくくすることを目的とする。
また、本発明は、音声分離性能に優れた音声入力装置を提供することを目的とする。
さらに、本発明は、小型の音声入力装置を提供することを目的とする。

上記課題を解決するため、本発明における音声入力装置は、
音声入力用に複数のマイクを備える音声入力装置であって、
互いの間隔が全て異なるように配置されている３つ以上のマイクを備える、ことを特徴とする。

携帯型電子装置は、例えば、３つのマイクを備え、それぞれのマイクは、互いに異なる長さの辺を有する三角形の頂点に配置されている。

携帯型電子装置は、例えば、４つのマイクを備え、それぞれのマイクは、互いに異なる長さの辺を有する四角形の頂点に配置されている。

例えば、全てのマイクペアの間隔の内、少なくとも１つのマイクペアの間隔が、通話音声の上限周波数に対して、音声入力装置が最大の音声信号レベルを得るように、選択されている。

画像表示装置を備える携帯端末に上記音声入力装置を使用する場合に、前記複数のマイクの少なくとも２つを、前記表示装置を挟んで、対向する側に配置することが望ましい。

本発明によれば、マイクが、間隔が異なるように配置されているので、広い周波数帯域に渡って、音声を分離することが可能となる。

（実施形態１）
以下、本発明の実施形態１を、ＴＶ電話機能を備える携帯電話装置１を例に説明する。

この携帯電話装置１は、図１（ａ）に外観を示すように、上部筐体１Ｕと下部筐体１Ｌとを備え、上部筐体１Ｕと下部筐体１Ｌがスライドするスライドスライド型に構成されている。

上部筐体１Ｕには、図１（ｂ）、１（ｃ）に示すように、３つのマイク１１Ａ、１１Ｂ、１１Ｃと、カメラ部１２と、音声スピーカ１３と、画面表示部１４と、スピーカ１５と、が配置されている。

マイク１１Ａ〜１１Ｃは、アレイマイクを構成し、ユーザが通話機能を利用するときに、音声レベルに応じたアナログ音声信号をそれぞれ出力する。 なお、マイク１１Ａ、１１Ｂ、１１Ｃを全てまとめたものを総称して、音声入力装置１１と呼ぶ。

３つのマイク１１Ａ、１１Ｂ、１１Ｃは、話者の音声周波数帯域に対応した広い周波数帯域に渡って、高い音声信号レベルを得ることができるように、相互の間隔Ｄ１ａｂ、Ｄ１ｂｃ、Ｄ１ｃａがすべて異なるように、配置されている。 マイク１１Ａ、１１Ｂ、１１Ｃの距離の詳細については後述する。

カメラ部１２は、任意の画像を撮像するためのものである。 カメラ部１２は、例えば、ＴＶ電話機能により通話相手と通話するときに、ユーザ自身を撮影する。

音声スピーカ１３は、通話時に、受信音声を出力する。

画面表示部１４は、ＬＣＤ（液晶表示）パネル、ＥＬ（Electro Luminescence)表示器などの表示パネルとドライバ回路等で構成され、画像、文字情報、各種のメッセージ等を表示する。 例えば、画面表示部１４は、ＴＶ電話の通信相手の映像や、カメラ部１２で撮影して相手に送信しているユーザ自身の映像を表示する。 また、現在日時、簡易なメッセージ、アイコン等を表示する。 なお、画面表示部は、有機ＥＬ表示器等であってもよい。

スピーカ１５は、通話音声以外の音声、例えば、ＴＶ電話時の音声、ＴＶ音声、報知音等を放音する。

また、携帯電話装置１は、図２に示す回路構成のように、上述の３つのマイク１１Ａ〜１１Ｃとカメラ部１２と音声スピーカ１３と画面表示部１４とスピーカ１５と、に加えて、増幅器２１Ａ〜２１Ｃ、ＡＤＣ（Analog to Digital Converter）２２Ａ〜２２Ｃ、音声処理回路２３、通信部２４、音声出力部２５、制御部２６、ＤＡＣ（Digital Analog Converter）２７、バス２８を備える。

増幅器２１Ａ〜２１Ｃは、マイク１１Ａ〜１１Ｃの出力するアナログ音声信号ＡＳａ、ＡＳｂ、ＡＳｃを増幅して出力する。
ＡＤＣ（Analog to Digital Converter）２２Ａ〜２２Ｃは、それぞれ、増幅器２１Ａ〜２１Ｃが増幅したアナログ音声信号ＡＳａ〜ＡＳｃをデジタル音声信号ＤＳａ、ＤＳｂ、ＤＳｃに変換して出力する。

音声処理回路２３は、例えば、ＤＳＰ（Digital Signal Processor）等から構成される。 音声処理回路２３は、デジタル音声信号Ｓａ、Ｓｂ、Ｓｃを加算して、広い音声帯域（例えば、３００Ｈｚ〜３４００Ｈｚ）、高い音声分離性能を得て、音声を高い信号レベルで入力する。

また、音声処理回路２３は、送信用の音声信号を生成する際、ノイズ抑圧処理などの既知の種々の処理を音声信号に施す。 例えば、音声処理回路２３は、デジタル音声信号Ｓａ〜Ｓｃの各位相差を求め、求めた位相差に基づいて、音源（話者）の位置（向き）を判別する。 音声処理回路２３は、判別した音源の位置に基づいて、ノイズを抑圧する信号処理を行う。

通信部２４は、音声処理回路２３から供給された通話音声や、カメラ部１２で撮像した画像を変調して、アンテナ及び基地局を介して、通話先に送信する。 また、通信部２４は、制御部２６から供給された任意のデータ、例えば、カメラ部１２の撮像画像を送信する。 また、通信部２４は、アンテナを介して、音声信号や画像データ、及び、ネット上の任意のデータを、移動体通信網やインターネットを介して、受信し、復調し、受信音声を音声出力部２５又は制御部２６に供給し、画像データを制御部２６に提供する。

音声出力部２５は、通常の通話時に、通信部２４から供給された音声信号を電気信号（アナログ音声信号）に変換し、音声スピーカ１３から出力する。

制御部２６は、ＣＰＵ（Central Processing Unit)から構成され、携帯電話装置１の全体的な動作を制御する。 例えば、制御部２６は、ＴＶ電話時に、通信部２４で受信した音声信号をＤＡＣ２７に供給し、映像信号を画面表示部１４に供給する。 また、制御部２６は、通信部２４で受信したインターネット上の各種データを処理し、例えば、画面表示部１４に供給する。

ＤＡＣ（Digital Analog Converter）２７は、制御部２６からのディジタルオーディオ信号をアナログオーディオ信号に変換して、報知音やＴＶ電話時の音声をスピーカ１５を介して出力する。
バス２８は、各部間の情報を伝送する。

次に、音声入力装置１１を構成する３つのマイク１１Ａ〜１１Ｃが上述のように、互いに異なる間隔で配置されている理由を説明する。

２つのマイクの間隔Ｄは、音速Ｖと、伝送する音声の中心周波数Ｆｔにより、数２により定まる。
（数２）
Ｄ＝Ｖ／（２×Ｆｔ）

マイクは、図３に示すように、中心周波数Ｆｔの±数１００Ｈｚの範囲で音声分離性能（音声分離特性）が高く、中心周波数Ｆｔから外れる程、分離性能は悪くなる。 従って、２つのマイクから構成される入力装置（アレイマイク）では、狭い周波数範囲でしか高い音声分離性能を得ることができない。

従来の一般的な据え置き型ＴＶ電話装置などで使用される入力装置のマイクでは、図７に示すように、複数のマイクが等間隔で直線状に並べられている。 この構成の入力装置の場合、マイク７１Ａと７１Ｂとの間隔Ｄ７ａｂと、マイク７１Ｂと７１Ｃとの間隔Ｄ７ｂｃと、マイク７１Ｃと７１Ａの間隔Ｄ７ｃａとは、数３の関係にある。
（数３）
Ｄ７ａｂ＝２（Ｄ７ｂｃ＋Ｄ７ｃａ）
Ｄ７ｂｃ＝Ｄ７ｃａ

従って、マイク７１Ｂと７１Ｃの間隔Ｄ７ｂｃから定まる音声分離性能ＳＰ７ｂｃとマイク７１Ａと７１Ｃの間隔Ｄ７ｃａから定まる音声分離性能ＳＰ７ｃａは、同一の性能を示す。 このため、図７の一般的な据え置き型ＴＶ電話装置７全体としての音声分離性能ＳＰ７は、間隔Ｄ７ｂｃとＤ７ｃａによる音声分離性能ＳＰ７ｂｃとＳＰ７ｃａとを重畳したものと、間隔Ｄ７ａｂによる音声分離性能ＳＰ７ａｂと、により、図４（ａ）に示すカーブになる。

図４（ｂ）に示す音声分離性能ＳＰ７では、周波数によって音声を分離できる性能が異り、さらに、音声を分離（入力）できる帯域が狭すぎるため、通常の話者の音声の周波数帯域、例えば、３００Ｈｚ程度〜３５００Ｈｚ程度の帯域の声を良好に入力することができない。

これに対し、図１に示すマイク１１Ａ〜１１Ｃの場合、間隔Ｄ１ａｂ、Ｄ１ｂｃ、Ｄ１ｃａが全て異なる。 このため、各間隔Ｄ１ａｂ、Ｄ１ｂｃ、Ｄ１ｃａによる音声分離性能特性の中心周波数Ｆｔａｂ、Ｆｔｂｃ、Ｆｔｃａと音声分離性能ＳＰ１ａｂ、ＳＰ１ｂｃ、ＳＰ１ｃａは、図４（ｂ）に示すように、周波数軸方向で異なった位置になる。
音声入力装置１１の全体としての分離性能ＳＰ１は、図４（ｂ）に示すように、各間隔Ｄ１ａｂ、Ｄ１ｂｃ、Ｄ１ｃａに基づく分離性能ＳＰ１ａｂ、ＳＰ１ｂｃ、ＳＰ１ｃａを合成したものになる。

図４（ｂ）に示す音声分離性能ＳＰ１は、図４（ａ）に示す音声分離性能ＳＰ７と比較して、広い周波数帯域をカバーしており、且つ、比較的平坦な特性を有する。

なお、音声入力装置１１が入力できる音声の周波数の上限値Ｆｕは、ナイキスト周波数の関係で、音声信号のサンプリング周波数、即ち、ＡＤＣ２２Ａ〜２２Ｃのサンプリング周波数Ｆｓの１／２であり、数式４の関係にある。 この上限周波数Ｆｕより高い周波数領域に音声分離性能を得ても利益がない。
（数４）
Ｆｕ＝Ｆｓ／２

携帯電話装置１のサンプリング周波数Ｆｓを、例えば、８ｋＨｚとすると、数式４から上限周波数Ｆｕは４ｋＨｚに定まる。 ４ｋＨｚは、電話等で要求される音声の分離性能の上限値にもほぼ一致する。

この上限周波数４ｋＨｚを分離可能とするためには、音速Ｖを３４０ｍ／ｓｅｃとすると、数式３よりＤ＝３４０（ｍ／ｓ）／（２・４０００）＝０．０４２５ｍ＝４．２５ｃｍとする必要がある。

そこで、図１の３つのマイク１１Ａ、１１Ｂ、１１Ｃの間隔のうち最も短い間隔Ｄ１ｃａを、４．２５ｃｍに設定し、他の２つの間隔Ｄ１ｂｃ、Ｄ１ａｂを、順次長くすることにより、広い音声周波数帯域において平坦な分離性能を得ることができる。

次に、音声処理回路２３による、音声の方向に基づいたノイズ抑圧処理について説明する。
前述のように、音声処理回路２３は、３つの音声信号Ｓａ〜Ｓｃの差から、音源の位置を判別し、例えば、音源の方向とは異なる方向からの音を抑圧する等して、ノイズを抑圧する機能を備える。

図１に示す携帯電話装置１のＴＶ電話機能等を利用して通話をするときに、携帯電話装置を縦置きに使う形態と、横置きに使う形態が想定される。 このノイズ抑圧機能は、携帯電話装置が、いずれの形態で使用される場合でも、機能することが望ましい。

図７に示す従来の据置型ＴＶ電話装置７は、マイク７１Ａ、７１Ｂ、７１Ｃが全て一直線上に配置されている。 そのため、図７の音声入力装置では、マイクの配置が横一直線や縦一直線となってしまう。 このため、横一直線になったときには、縦方向の音源の位置（方向）検出精度が低下し、マイクが、縦一直線になったときには、音源の横方向の音源の位置検出精度は低下してしまう。

一方、携帯電話装置１では、図１（ｂ）、１（ｃ）に示すように、マイク１１Ａ、１１Ｂ、１１Ｃが、互いに異なる長さの辺を有する三角形ＡＢＣの頂点に平面的に配置されている。

そのため、図１（ｂ）に示すように、携帯電話装置１を横向きにしてＴＶ電話を利用するときには、横方向に並べて配置されたマイク１１Ｂ、１１Ｃの出力で横方向の音声信号（入力音声データ）ＶＳｂ、ＶＳｃの位相差を検出し音源の横方向の位置を判別し、さらに、縦方向にずれて配置されたマイク１１Ｂ又は１１Ｃからの音声信号ＶＳｂ又はＶＳｃと、マイク１１Ａからの音声信号ＶＳａとの位相差を検出し、音源の縦方向の位置を判別することができる。

また、図１（ｃ）に示すように、携帯電話装置１を縦向きにしてＴＶ電話を利用するときには、マイク１１Ａへの音声信号ＶＳａと、マイク１１Ｂ又は１１Ｃの音声信号ＶＳｂ又はＶＳｃとの位相差を検出して音源の横方向の位置を判別し、さらに、縦方向にずれて配置されたマイク１１Ｂからの音声信号ＶＳｂと、マイク１１Ｃからの音声信号ＶＳｃとの位相差を検出し、音源の縦方向の位置を判別することができる。

音声処理回路２３は、このようにして判別した位置に基づいて、ノイズ抑圧処理を行うことができる。

次に、上記構成を有する携帯電話装置１の動作を、ＴＶ電話での動作を例に説明する。
ＴＶ電話モードにおいて、マイク１１Ａ〜１１Ｃは、それぞれ、音声信号ＶＳａ〜ＶＳｃを電気信号（アナログ音声信号）ＡＳａ〜ＡＳｃに変換して出力し、増幅器２１Ａ〜２１Ｃは、これを増幅してアナログ音声信号ＡＳａ〜ＡＳｃを出力する。 ＡＤＣ２２Ａ〜２２Ｃは、各アナログ音声信号ＡＳａ〜ＡＳｃを、分離対象の音声周波数の上限周波数の２倍以上の周波数（例えば、８ｋＨｚ）でサンプリングして、デジタル音声信号ＤＳａ〜ＤＳｃに変換し、音声処理回路２３に供給する。

音声処理回路２３は、デジタル音声信号ＤＳａ〜ＤＳｃの各位相差から、音声（話者）の位置を判別し、判別した位置に基づいて、既知のノイズ抑圧処理を実行する。 さらに、ノイズを抑圧したデジタル音声信号ＤＳａ〜ＤＳｃを加算することにより、合成デジタル音声信号を生成し、制御部２６に供給する。 マイク１１Ａ〜１１Ｃが、それらの間隔が違いに異なるように配置されているので、図４（ｂ）に示すように、音声帯域に渡って平均的な音声分離性能ＳＰ１が得られているので、高いＳ／Ｎ比と良好な音質が得られる。

一方、カメラ部１２は、一定周期で画像を取得し、制御部２６に供給する。
制御部２６は供給された音声信号と映像信号を通信部２４に供給する。
通信部２４は、音声信号と映像信号とから通信フレームを生成し、基地局を介して通信先に送信する。

一方、通信部２４は、受信信号から音声信号と映像信号を復調し、制御部２６に供給する。 制御部２６は、音声信号をＤＡＣ２７を介してスピーカ１５に供給して放音させ、映像信号を画面表示部１４に供給して表示させる。

以上説明したように、携帯電話装置１の音声入力部１１は、互いに長さの異なる３辺を有する三角形の頂点に配置されたマイク１１Ａ〜１１Ｃを備える。 このような配置とすることにより、音声入力部１１は、広い音声帯域に渡ってほぼ均一な音声分離性能を備える。 従って、音声入力装置１１は、話者によらず、高感度で広い帯域の音声を取り込み、他のノイズなどを抑圧することができる。 また、音声処理回路２３で、音源の位置（向き）を判別することも容易であり、音源の位置に基づいたノイズの抑圧も容易である。

（実施形態２）
実施形態１で説明した３つのマイクで分離できる周波数帯域よりもより広い周波数帯域で高い音声分離性能を得たい場合には、マイクの数を増加し、マイクの間隔を互いに異なる間隔に設定すればよい。
以下、この発明の実施形態２に係る、４つのマイクを備える入力装置を備える携帯電話装置５について、図５と図６を参照して説明する。
なお、携帯電話装置５の各構成要素において、携帯電話装置１と同一の構成要素には同一の符号を付している。

携帯電話装置５の、４つのマイク５１Ａ、５１Ｂ、５１Ｃ、５１Ｄは、図５に示すように、４辺の長さと２つの対角線の長さが互いに異なる四角形ＡＢＣＤの頂点に配置される。

図示するように、i）マイク５１Ａと５１Ｂの間隔をＤ５ａｂ、ii）マイク５１Ｂと５１Ｃの間隔をＤ５ｂｃ、iii）マイク５１Ｃと５１Ｄの間隔をＤ５ｃｄ、iv）マイク５１Ｄと５１Ａの間隔をＤ５ｄａ、v）マイク５１Ａと５１Ｃの間隔をＤ５ａｃ、vi）マイク５１Ｂと５１Ｄの間隔をＤ５ｂｄ、とする。
６つのマイクペアの間隔は、数式５に示す大小関係にある。
（数５）
Ｄ５ａｂ＜Ｄ５ｄａ＜Ｄ５ｂｃ＜Ｄ５ｃｄ＜Ｄ５ｂｄ＜Ｄ５ａｃ

このとき、携帯電話装置５は、図６の音声分離性能曲線ＳＰ５を有する。 即ち、携帯電話装置２は、互いに異なる間隔Ｄ５ａｂ、Ｄ５ｄａ、Ｄ５ｂｃ、Ｄ５ｃｄ、Ｄ５ｂｄ、Ｄ５ａｃにより、６つの異なった音声分離性能のピーク曲線ＳＰ５ａｂ、ＳＰ５ｂｃ、ＳＰ５ｃｄ、ＳＰ５ｄａ、ＳＰ５ａｃ、ＳＰ５ｂｄ、を合成した音声分離性能ＳＰ４を備える。

これにより、携帯電話装置５は、３つのマイクを利用した携帯電話装置１で高い音声分離性能が周波数帯域の、２倍に近い周波数帯域に渡り、高い音声分離性能を得ることができる。

本発明によれば、一般に、Ｎ個のマイクを利用して音声入力装置を構成する場合に、Ｎ・（Ｎ−１）／２個のマイクの間隔を得ることができる。 従って、Ｎ・（Ｎ−１）／２個の音声分離性能曲線を合成して得られる広い帯域での音声分離性能をうることができる。

その他、本発明は、携帯電話装置に限らず、音声入力機能を有する、例えば、ＰＨＳ、ＰＤＡ（Personal Digital Assistants）、電子カメラ、電子腕時計、ノート型ＰＣ、携帯型ＴＶ、携帯型映像記録装置・再生装置、カーナビゲーション装置にも同様に適用可能である。

本発明の実施形態１に係る音声入力装置を備える携帯電話装置を説明するための図であり、（ａ）は側面図、（ｂ）は横置き状態での正面図、（ｃ）は縦置き状態での正面図である。

実施形態１に係る携帯電話装置の回路構成を示すブロック図である。

マイクが２つの場合の音声分離性能を示す図である。

（ａ）は従来の音声入力装置の音声分離性能を示す図、（ｂ）は図１に示す音声入力装置の音声分離性能を示す図である。

本発明の実施形態２に係る入力装置を備える携帯電話装置の構成を示す正面図である。

図５に示すアレイマイクの音声分離性能を示す図である。

従来の据置型ＴＶ電話装置等で一般的に用いられるアレイマイクの構成例を示す図である。

符号の説明

１・・・携帯電話装置、１１Ａ〜１１Ｃ・・・マイク、１２・・・カメラ部、１３・・・音声スピーカ、１４・・・画面表示部、１５・・・スピーカ、２１Ａ〜２１Ｃ・・・増幅器、２２Ａ〜２２Ｃ・・・ＡＤＣ（Analog Digital Converter）、２３・・・音声処理回路、２４・・・通信部、２５・・・音声出力部、２６・・・制御部、２７・・・ＤＡＣ（Digital Analog Converter)、２８・・・バス、５・・・携帯電話装置、５１Ａ〜５１Ｄ・・・マイク、７・・・一般的な据え置き型ＴＶ電話装置、７１Ａ〜７１Ｃ・・・マイク、ＶＳａ〜ＶＳｃ・・・音声信号、ＡＳａ〜ＡＳｃ・・・アナログ音声信号、ＤＳａ〜ＤＳｃ・・・デジタル音声信号