目次
オンライン会議で、相手の声が左右のどこから聞こえるか。
空間的な再現は単一の再生より聞き取りやすさを高めますが、従来はスピーカーと同じ数のマイクが必要でした。
ステレオマイク2本だけで、音の到来方向はどこまで分かるのか。
Ahonenら（2009）は、家庭用ステレオマイクを方向分析の前面に使えることを示しました。
空間的な再生には、なぜマイクが多く必要だったのか
通話や会議の音声を空間的に再生すると、単一の再生に比べて言葉の聞き取りやすさが上がります。
ところが従来の空間収音と伝送には、スピーカーと同じ本数のマイクが必要でした。
加えて、相手側の再生システムをあらかじめ知っておく必要もあり、指向特性が広すぎる、帯域が限られるといった課題もありました。
こうした課題を解消する手法のひとつが、方向性オーディオ符号化（DirAC）です。
DirACとは、音場の到来方向と拡散度を分析し、その情報を再生に使う空間音響処理の手法です。
拡散度とは、音場がひとつの方向から届く音なのか、広がった音なのかを表す尺度です。
DirACは従来方式の課題を多く解消しますが、これまでは無指向性マイクのアレイを前面に使っていました。
ここを家庭用のステレオマイクに置き換えられれば、より実用的になります。
この研究は、その可能性を調べたものです。
DirACの分析には、Bフォーマットと呼ばれる信号群を使います。
Bフォーマットとは、無指向性の信号Wと、直交する座標軸それぞれのダイポール信号X、Y、Zからなる信号です。
Wはその場所の音圧を、ダイポール信号はおおよその粒子速度を表します。
到来方向（DOA）とは、音がどの方向から届くかを、時間と周波数の区間ごとに、音響インテンシティベクトル（音圧と粒子速度の積で表す、音のエネルギーの正味の流れ）から推定した値です。
ステレオマイク2本から、どうやって必要な信号を作ったのか
DirACが方位角を推定するには、無指向性信号Wと、ダイポール信号Xが必要です。
この研究は、2本のマイクを同じ位置に置いた直線状のアレイによる方向分析を検討しました。
対象にしたのは、無指向性のペアと、一次指向性（カーディオイドとサブカーディオイド）のペアです。
無指向性と単一指向性の違いは、無指向性と単一指向性の使い分け 録音で何が変わるのか で扱っています。
ダイポール信号Xは、2本のマイクの信号を互いに引き算して作ります。
引き算をすると、正面から届く音は打ち消され、横から届く音への感度が残るため、双指向性の応答になります。
ただし無指向性のペアでは、そのままの引き算では周波数ごとの感度が揃わないため、周波数に応じた等化を加えます。
一次指向性のペアでは、レベルの補正だけで済みました。
無指向性信号Wは、2本のマイクの信号を平均して作るのが基本です。
この研究では、平均のほかに、非線形なRMSに基づく選択という別の作り方と、エネルギー比に基づく重み付き和による作り方も試しました。
Wの作り方を変えると、方向推定の精度がどう変わるかを見るためです。
一次指向特性とは、指向性パラメータβで表される指向性の応答のことです。
βが小さいほど指向性は強くなります。
βが0.5のときをカーディオイド、βが0.7のときをサブカーディオイドと呼びます。
カーディオイドは真後ろに感度を持たず、サブカーディオイドは後方にも少し感度を残します。
検証には、白色雑音をシミュレーションで収録した記録を使いました。
到来角を10°から90°まで変え、理想的なカーディオイド（βが0.5）とサブカーディオイド（βが0.7）のペアを、正面から±45°と±60°の向きに向けて配置します。
マイクの向きと到来角の組み合わせごとに、推定した方向と実際の方向を比べました。
さらに、任意のステレオ入力でも試しました。
ここでは等化やレベルの補正をせずにダイポール信号を作り、Wは平均、RMSに基づく選択、エネルギー比の重み付き和のいずれかで近似します。
特別な処理を挟まない普通のステレオ録音が、そのまま使えるかを確かめた形です。
到来方向の推定精度は、何で変わったのか
一次指向性のペアでWを平均して作った場合、到来角が小さいうちは正しく推定できました。
ただし到来角が大きくなるほど誤差が増え、横方向の角度を過大評価しました。
ダイポール信号の利得がWより大きい場合は、音が真横（90°）から来ていると推定されました。
一方、Wを非線形なRMSに基づく選択で作ると、結果は大きく変わりました。
任意のステレオ入力（等化やレベル補正をしない）で試した場合は、傾向がまた変わります。
Wを平均で作ると、サブカーディオイドのペアはすべての到来角で過小評価しました。
カーディオイドのペアは、±45°向きでは60°まで、±60°向きでは40°まで比較的正しく、それより大きい到来角は90°と推定されました。
WをRMSに基づく選択で作ると、カーディオイド±45°は過小評価、カーディオイド±60°は到来角が小さいうちは正しくその後は過小評価、サブカーディオイドは過小評価でした。
Wをエネルギー比に基づく重み付き和で推定する方法も、シミュレーションしたカーディオイドとサブカーディオイドのペアで評価されました。
この結論は、どこまで通用するのか
著者は限界を明示しています。
非線形なRMSに基づく選択で作ったWは、そのまま音声信号として使うと聴感上のアーティファクトを生むおそれがあります。
そこで実際の再生には、線形に平均して作ったWを伝送して使います。
この研究の対象は、典型的な家庭用ステレオマイクのペア、つまり無指向性のペアと、±45°・±60°の向きのカーディオイド・サブカーディオイドのペアに限られています。
また、ダイポール信号と無指向性信号を使う方式なので、到来方向は前後の区別なしに推定されます。
仰角（上下方向）は推定されず、対象は方位角だけです。
このほかの型や向きのマイク、上下方向も含む音場の分析は扱われていません。
この研究は、空間音響のどこに位置づくのか
この研究は、空間音響の符号化手法と、手元にある録音機材の間に橋を架ける位置にあります。
DirACは、Bフォーマット信号から到来方向と拡散度を分析し、再生に活かす手法です。
その価値は理解されていても、前面には無指向性マイクのアレイが前提でした。
家庭用のステレオマイクがその役割を担えるかを、信号の作り方まで含めて確かめた点が、この研究の位置づけです。
もうひとつの意義は、単に「ステレオマイクが使えるか」ではなく、「ステレオマイクからどうやって必要な信号を作るかで、方向の推定精度が変わる」ことを示した点にあります。
Wを平均するか、非線形に選ぶかで、正しく推定できる到来角の範囲が変わります。
派手な結論ではありませんが、前面の機材を身近なものに置き換えるための、具体的な一歩を示した研究です。
参考資料
原典の主張は、Directional Audio Coding with stereo microphone input をご参照ください。
