JP7457525B2 - 受信装置、コンテンツ伝送システム、及びプログラム - Google Patents

Description

本発明は、３次元音響を再生する受信装置、コンテンツ伝送システム、及びプログラムに関する。

近年、ＡＲ（Augmented Reality）／ＶＲ（Virtual Reality）技術の進歩により、ＡＲ／ＶＲ対応端末や、ＡＲ／ＶＲコンテンツが普及し始めている。ＡＲ／ＶＲ対応端末とは、スマートフォン、タブレット型端末、ＶＲゴーグル、ＡＲグラスなどである。例えば特許文献１には、ＡＲコンテンツ視聴システムの構成例が開示されている。

ＡＲ／ＶＲコンテンツの再生において、視覚情報は端末に搭載されるＧＰＵ（Graphic Processing Unit）を用いた実時間レンダリング処理により、ユーザの動作に応じたインタラクティブなグラフィック表示が実現されている。ＡＲ／ＶＲ対応端末には、ジャイロセンサや加速度センサなど複数のセンサが搭載されており、これらのセンサから取得した情報を使用して端末の自己位置推定及び姿勢推定が行われる。端末のカメラで撮影される実空間の映像に対してＣＧデータ等で与えられたオブジェクトを合成表示するＡＲコンテンツの場合には、カメラで撮影された実空間の映像も、自己位置・姿勢推定処理の入力情報として使用できる。この自己位置・姿勢推定処理の結果として得られた視点位置、視線方向を反映したビューポートに応じて、ＧＰＵを用いてグラフィックの実時間レンダリング処理が行われる。なお、スマートフォンやタブレット型端末の自己位置・姿勢推定処理などＡＲ／ＶＲコンテンツの再生に必要な基本技術については、ｉＯＳ端末のＡＲＫｉｔやＡｎｄｒｏｉｄ端末のＡＲＣｏｒｅなど、ＯＳ（Operating System）レベルでの標準機能としての実装が進んでおり、一般の開発者によるＡＲ／ＶＲ対応のアプリ開発や配布が容易となっている。

ＡＲ／ＶＲコンテンツの視聴におけるユーザの視点位置、視線方向の自由度は、ＤｏＦ（Degrees of Freedom）と呼ばれる単位で表現される。例えば、３６０度ＶＲ映像コンテンツにおいて、視点位置が固定され、視線方向のみにインタラクティブ性がある場合は、ユーザの視線方向の自由度が３自由度（Ｒｏｌｅ，Ｐｉｔｃｈ，Ｙａｗ）の回転であるため３ＤｏＦと呼ばれる。一方、視線方向に加えて視点位置も自由に移動できるＡＲ／ＶＲコンテンツの場合には、視線方向の３自由度に加えて、視点位置の移動の自由度も３自由度（Ｘ，Ｙ，Ｚ）となるため合計６自由度であることから、６ＤｏＦと呼ばれる。また、３ＤｏＦを基本としながら、固定された椅子に座った状態での頭部の動きなど、限られた範囲での視点位置移動により、視覚情報に僅かながら自由度を追加するシステムを３ＤｏＦ＋と呼ぶ場合がある。

視覚情報と聴覚情報を組み合わせたマルチモーダルな刺激により、ＡＲ／ＶＲコンテンツの視聴においてユーザのコンテンツへの没入感を高められることが期待できる。例えば、特許文献２には、ユーザが仮想空間内を自由に動き回ることができるゲームコンテンツにおいて、環境音の発生エリアとユーザの視点に相当する仮想カメラの位置と方向の関係に応じて、適用的に環境音を生成するシステムの構成例が開示されている。また、特許文献３には、ＶＲゲームにおいて、音源オブジェクトの音声を、ユーザの視線方向に応じてミックスされたモノラル音声又はステレオ音声を生成して提示するシステムのモデルが開示されている。

上述した先行技術文献に開示された技術では、いずれも音源オブジェクトがユーザの視点位置と同じ高さにあることを前提とするか、又は実際には視点位置と違う高さにある音源も視点の高さにあるものとみなしている。つまり、視点の高さの上下にある音源オブジェクトや環境音発生エリアの音声は、ユーザの視線の高さで地面に水平な２次元平面に定位してしまう。そのため、例えば、ユーザがまっすぐ正面を向いた状態において、頭上を飛ぶ飛行機の音や、足元の地面近くで鳴く虫の鳴き声などを提示しても、上下方向の立体感を得ることはできない。

そこで、音源オブジェクトの位置からユーザの外耳道入口までの音声波の伝達関数の周波数特性（頭部伝達関数）を用いた周波数領域での音響処理を用いることで、最終的な音声出力がステレオと同じ２チャンネル音声であっても、視点の高さよりも上下の方向も含めた３次元の音像定位を実現する技術が提案されている。このように、２チャンネル音声再生による３次元音響は、一般にバイノーラル音声と呼ばれる。バイノーラル音声は、頭部伝達関数を用いた周波数領域の演算によって生成する以外に、人間の頭部形状と外耳道を模擬したダミーヘッドを用いて実空間から直接収音することもできる。このため、実写による３６０度ＶＲ映像コンテンツでは、３６０度カメラによる全天周映像などの広視野撮影とダミーヘッドによるバイノーラル音声の収音が同時に行われ、パッケージ化されたＶＲ映像コンテンツとして提供される場合がある。但し、ユーザがバイノーラル音声の立体感を正しく得られるのは、収音時にダミーヘッドが向いていた方向とユーザの視線方向が一致するときに限定される。

特開２０１９－００８３１９号公報 特開２００７－２２９２４１号公報 特開２０１９－０１３７６５号公報

ユーザが視線方向を自由に変えることができる３ＤｏＦのＶＲコンテンツや、ユーザがコンテンツの３次元空間内を自由に動ことができる６ＤｏＦのＡＲ／ＶＲコンテンツでは、ダミーヘッドで収音した音声をそのまま使用することはできない。つまり、刻々と変化するユーザの視点位置と音源オブジェクトの位置の相対関係に応じて、頭部伝達関数を用いた演算を行い、リアルタイムにバイノーラル音声を生成する必要がある。これを実現するためには、まず、音源オブジェクトごとに独立した音声ストリームと、コンテンツの３次元空間上での位置を示す３次元座標とを時間軸で紐づけて伝送する必要がある。次に、受信装置において、音源オブジェクトの音声ストリームと３次元座標とが紐づけられたデータを受信して、音源オブジェクトとユーザの視点位置に応じたバイノーラル音声をリアルタイムに生成する機能を実装する必要がある。

しかし、タブレット型端末、スマートフォンなど一般的なモバイル端末には、グラフィック処理用のＧＰＵに相当する様な音響処理用の専用ハードウェアであるＤＳＰ（Digital Signal Processor）が搭載されていないことや、グラフィック処理用のＯｐｅｎＧＬ（Open Graphics Library）に相当するような音響処理用のＡＰＩ（Application Programming Interface）の整備が十分でないことが、３次元音響対応の機能実装の障壁となっている。幅広いユーザに浸透するスマートフォン、タブレット型端末などのモバイル端末を対象にコンテンツを提供するためには、ＣＰＵ（Central Processing Unit）上で実行されるソフトウェアによる３次元音響処理の実装が要求される。

さらに、コンテンツのコンポーネントとしてストリーミング伝送される音源オブジェクト数が増えた場合には、音源数に応じて受信装置の処理負荷が増大し、過大な負荷が生じ得る。このように音源オブジェクトの数の増加に伴い過度な処理負担が生じた場合、処理遅延により視覚情報と聴覚情報の同期ずれや音飛びなどが発生する可能性ある。

つまり、３次元音響を組み合わせたＡＲ／ＶＲコンテンツのストリーミング伝送による提供において、３次元空間内での音源オブジェクトの移動、ユーザの視点位置（視聴位置）の移動、ユーザの視線方向の回転が動的である場合、従来の頭部伝達関数を用いたバイノーラル音声の生成処理では、音源位置と視聴位置・方向の相対関係に応じた膨大な数の頭部伝達関数が必要となり、メモリ資源や演算資源が限られるモバイル端末でのソフトウェア実装は非現実的であるという課題があった。また、コンテンツの３次元空間内に配置される音源オブジェクトの数が増えた場合に、ＣＰＵ、メモリなどの計算資源の限界により、全ての音源オブジェクトの音声をリアルタイムに処理することができず、遅延の増大による視覚情報との同期ずれ、音飛びなどの視聴品質の低下が生じるという課題があった。

かかる事情に鑑みてなされた本発明の目的は、演算量及びプログラム規模・回路規模の増加を抑制し、３次元音響を組み合わせたＡＲ／ＶＲコンテンツの再生のリアルタイム性を確保し、視聴品質を向上させることが可能な受信装置、コンテンツ伝送システム、及びプログラムをリーズナブルな実装コストで提供することにある。

一実施形態に係る受信装置は、音源オブジェクトの音声ストリームをブロック化した音声チャンクと、前記音源オブジェクトのワールド座標系における３次元座標を含む音源メタデータと、を受信する受信装置であって、前記音源オブジェクトの３次元座標を、ワールド座標系からビュー座標系へ変換する座標変換部と、当該受信装置の処理負荷に基づいて、前記ビュー座標系において音源オブジェクト選択領域を規定し、該音源オブジェクト選択領域内に位置する音源オブジェクトを、音響処理対象の音源オブジェクトとして選択するオブジェクト選択部と、前記音響処理対象の音源オブジェクトの音声チャンクを用いてバイノーラル音声を生成する３次元音響レンダリング部と、を備える。
一実施形態に係る受信装置は、上記の構成において、前記オブジェクト選択部は、前記処理負荷が大きいほど、前記音源オブジェクト選択領域が小さくなるように規定する。
また、一実施形態に係る受信装置は、上記の構成において、前記音源メタデータは、前記音源オブジェクトの優先度を含み、前記オブジェクト選択部は、前記ビュー座標系における前記音源オブジェクトの原点からの距離を前記優先度が大きいほど短くなるように変更した場合に前記音源オブジェクト選択領域に含まれることになる音源オブジェクトを、前記音響処理対象の音源オブジェクトとして選択する。
また、一実施形態に係る受信装置は、上記の構成において、前記音源メタデータは、前記音源オブジェクトの最大音圧レベルを含み、前記オブジェクト選択部は、前記ビュー座標系における前記音源オブジェクトの原点からの距離を前記最大音圧レベルが大きいほど短くなるように変更した場合に前記音源オブジェクト選択領域に含まれることになる音源オブジェクトを、前記音響処理対象の音源オブジェクトとして選択する。

さらに、一実施形態において、ユーザの視線方向を推定する位置姿勢推定部をさらに備え、前記座標変換部は、前記音源オブジェクトの３次元座標を、前記ワールド座標系から、前記視線方向を軸方向とする前記ビュー座標系へ変換させてもよい。

さらに、一実施形態において、前記位置姿勢推定部は、前記ユーザの視点位置を推定し、前記座標変換部は、前記音源オブジェクトの３次元座標を、前記ワールド座標系から、前記視点位置を原点とする前記ビュー座標系へ変換させてもよい。

さらに、一実施形態において、前記３次元音響レンダリング部は、前記音響処理対象の音源オブジェクトの音声チャンクを、前記ビュー座標系に配置された仮想マルチチャンネルスピーカに割り当てるマッピング部と、前記仮想マルチチャンネルスピーカに割り当てられた前記音声チャンクを用いて、前記バイノーラル音声を生成するダウンミックス部と、を備えてもよい。

また、一実施形態に係るコンテンツ伝送システムは、上記受信装置と、前記音声チャンクと前記音源メタデータとを関連付けて、前記受信装置に送信する配信装置と、を備える。

また、一実施形態に係るプログラムは、コンピュータを、上記受信装置として機能させる。

本発明によれば、ＡＲ／ＶＲコンテンツのストリーミング伝送を受信する受信装置において、演算量及び回路規模の増加を抑えることができ、コンテンツ再生のリアルタイム性を確保し、視聴品質を向上させることが可能となる。また、ＣＰＵクロックやメモリ搭載量の異なる様々な性能の端末を受信装置として利用し、各端末の処理性能に応じたコンテンツ再生が可能なサービスを実現することができる。

第１の実施形態に係る受信装置の視聴位置と複数の音源オブジェクトの配置例を示す図である。 第１の実施形態に係るＡＲコンテンツ伝送システムの構成例を示すブロック図である。 第１の実施形態に係る音声ストリーム及び音源メタシーケンスのブロック化を示す図である。 第１の実施形態に係る３次元音響レンダリング部の構成例を示すブロック図である。 ３次元空間コンテンツのワールド座標系（真上からの視点）と音源オブジェクトの配置の例 ＡＲ視点を中心としたビュー座標系（真上からの視点）の例を示す図である。 ワールド座標系に配置されたビュー座標系（真上からの視点）の例を示す図である。 ワールド座標系に配置されたビュー座標系（真横からの視点）の例を示す図である。 第１の実施形態に係る３次元音響レンダリング部の処理を説明する図である。 第１の実施形態に係る３次元音響レンダリング部の処理を説明する図である。 第２の実施形態に係る３６０度ＶＲ映像コンテンツ伝送システムの構成例を示すブロック図である。

以下、本発明の実施形態について、図面を参照して詳細に説明する。

（第１の実施形態）
第１の実施形態では、自由度が６ＤｏＦのＡＲコンテンツを伝送するＡＲコンテンツ伝送システムについて説明する。

図１は、３次元空間内に配置された複数の音源オブジェクト、及びＡＲコンテンツを受信するタブレット型の受信装置１０の一例を示す図である。なお、図中の表記において、３次元空間を右手系Ｙアップの座標系で表記するが、各実装における座標系はこの限りではない。図１に示す例では、３次元空間内に音源オブジェクトＯ_１が（Ｘ_１，Ｙ_１，Ｚ_１）に配置され、音源オブジェクＯ_２が（Ｘ_２，Ｙ_２，Ｚ_２）に配置され、音源オブジェクトＯ_３が（Ｘ_３，Ｙ_３，Ｚ_３）に配置され、音源オブジェクトＯ_４が（Ｘ_４，Ｙ_４，Ｚ_４）に配置され、音源オブジェクトＯ_５が（Ｘ_５，Ｙ_５，Ｚ_５）に配置されている。ユーザは、受信装置１０を持って自由に空間内を移動することができる。受信装置１０は、ユーザの視点位置や視線方向に応じて、音源オブジェクトの音声ストリームを処理したバイノーラル音声を生成する。ユーザは、受信装置１０が備えるスピーカ（ＳＰ（Ｌ）及びＳＰ（Ｒ））、又は外付けのステレオヘッドフォンなどで音声を聴取する。

図２は、第１の実施形態に係るＡＲコンテンツ伝送システムの構成例を示す図である。ＡＲコンテンツ伝送システム１は、受信装置（ＡＲ受信装置）１０と、配信装置４０と、を備える。時刻サーバ（タイムサーバ）５０は、受信装置１０と配信装置４０とを同期させるために設けられる。図２に示す例では、時刻サーバ５０は１つであるが、受信装置１０と配信装置４０が参照する時刻サーバはそれぞれ異なるものであっても良い。時刻サーバ５０は、インターネット上で提供されているものであっても良い。

配信装置４０は、放送やインターネットなどの伝送路６０を経由して、ＡＲコンテンツをストリーミング伝送する。配信装置４０は、ＡＲコンテンツの３次元空間内に複数配置される音源オブジェクトの音声ストリームと、音源オブジェクトの位置情報（ワールド座標系における３次元座標）を含む音源メタデータとを関連付けて、受信装置１０に送信する。図２に示す例では、配信装置４０は、クロック生成部４１と、多重化部４２と、を備える。

クロック生成部４１は、時刻サーバ５０から入力された時刻に同期した同期クロックを生成し、多重化部４２に出力する。

多重化部４２は、３次元モデルシーケンス（３次元オブジェクトのモデルシーケンス）、音声ストリーム（音声チャンクのシーケンス）、及び音源メタシーケンス（音源メタデータのシーケンス）を多重化してＡＲコンテンツを生成し、配信装置４０の外部に送信する。例えば、多重化部４２の多重化方式にＭＭＴ（MPEG Media Transport）を使用した場合には、音声チャンクはＭＰＵ（Media Processing Unit）に対応付けることができる。また、クロック生成部４１は絶対時刻であるＵＴＣ（Coordinated Universal Time）による提示時刻タイムスタンプＰＴＳ（Presentation Time Stamp）を多重化部４２に出力し、多重化部４２は、各データにＰＴＳを付与する。

３次元モデルシーケンスは、例えば、３次元オブジェクトの形状を表すジオメトリデータと、３次元オブジェクトの表面の模様を表すテクスチャデータとを、一定のフレームレートでシーケンス化したデータであり、実時間で送信される。

音源メタシーケンスは、３次元オブジェクトの中でも特に音声発生源となる部位（音源オブジェクト）の位置をワールド座標系の座標で示した位置座標情報を、一定のフレームレートでサンプルしたデータであり、実時間で送信される。音声発生源の点は、例えば、人物オブジェクトであれば声を発する口の中心点、楽器であれば弦楽器のサウンドホールや打楽器の打面の中心点などが主に想定されるが、同じオブジェクトでも、どの部位を音声発生源とするかはコンテンツによって異なる。例えば、タップダンスをする人物のコンテンツであれば、人物オブジェクトの靴底が音声発生源となる。さらに、歌いながらタップダンスをする人物オブジェクト（口の中心点と靴底の２点が音声発生源）の場合など、視覚上１つの３次元オブジェクトに対して２つ以上の音源オジェクトが関連付けられる場合もある。

音声ストリームは、３次元オブジェクトの音声発生源（音源オブジェクト）から発せられる音声のストリームデータであり、実時間で送信される。

図３は、音声ストリーム及び音源メタシーケンスのブロック化を示す図である。音声ストリーム及び音源メタシーケンスを紐付けるため、音声ストリーム及び音源メタシーケンスは、概ね一定周期でブロック化される。以降、音声ストリームのブロックを「音声チャンク」と称し、音源メタシーケンスのブロックを「音源メタデータ」と称する。各種データを多重化する際の制御情報として、音源オブジェクトごとに音源オブジェクトＩＤ（object_id）が付与される。また、音声チャンク及び音源メタデータは、時間軸の対応付けを行うために、時系列のシーケンス番号（sequence_num）が付与される。音源メタデータ及び音声チャンクは、音源オブジェクトＩＤ及びシーケンス番号により紐付けられる。音源メタシーケンスは、座標データ（coordinates）の他に、後述する優先度（priority）、最大音圧レベル（maximum_level）などを含んでもよい。

受信装置１０は、スマートフォン、タブレット型端末などのモバイル端末、ＡＲグラス、ビデオシースルー型ＡＲゴーグルなどである。受信装置１０は、配信装置４０から、音源オブジェクトの音声ストリームをブロック化した音声チャンクと、音源オブジェクトの位置情報を含む音源メタデータと、を受信する。

図２に示す例では、受信装置１０は、クロック生成部１１と、多重分離部１２と、第１バッファ１３と、第２バッファ１４と、モデル復号部１５と、カメラ１６と、フレームメモリ１７と、検出部１８と、位置姿勢推定部１９と、モデルレンダリング部２０と、映像合成部２１と、ディスプレイ２２と、座標変換部２３と、処理負荷測定部２４と、オブジェクト選択部２５と、音声復号部２６と、３次元音響レンダリング部２７と、スピーカ２８と、を備える。

クロック生成部１１は、時刻サーバ５０から入力された時刻に同期した同期クロックを生成し、第１バッファ１３及び第２バッファ１４に出力する。

多重分離部１２は、配信装置４０から、３次元モデルシーケンス、音声ストリーム、及び音源メタシーケンスが多重化されたＡＲコンテンツを、放送やインターネットなどの伝送路６０を経由して受信し、これらを分離する。そして、３次元モデルシーケンスを第１バッファ１３に出力し、音声ストリーム及び音源メタシーケンスを第２バッファ１４に出力する。バッファは１つであってもよいが、本実施形態では説明の便宜上、バッファを第１バッファ１３及び第２バッファ１４に分けている。

各データは、第１バッファ１３又は第２バッファ１４に蓄えられた後、クロック生成部１１から入力された同期クロックに同期して、後段の処理が行われる。例えば、多重化方式にＭＭＴが使用された場合には、第１バッファ１３及び第２バッファ１４は、同じＰＴＳが付与されたデータの処理結果が最終出力時に同時に提示されるように、それぞれ処理時間を考慮した適切なオフセットを付けて後段にデータを出力する。

モデル復号部１５は、第１バッファ１３から取得した３次元モデルシーケンスを、ｇｌＴＦ（GL Transmission format）やＨ．２６５／ＨＥＶＣ（High Efficiency Video Coding）などの既存の方式により、モデルレンダリング部２０が直接処理可能な形式に復号し、モデルレンダリング部２０に出力する。例えば、グラフィックの描画処理にＯｐｅｎＧＬで規定される関数を用いる場合に、ＶＢＯ（Vertex Buffer Object）形式が用いられる場合がある。

カメラ１６は、受信装置１０の周囲の映像を撮影し、撮影したフレーム画像をフレームメモリ１７に出力する。

検出部１８は、ジャイロセンサ、加速度センサ、地磁気センサ、重力センサなどの１以上のセンサを有する。検出部１８は、各種センサにより検出したセンサ情報を位置姿勢推定部１９に出力する。ジャイロセンサは、物体が同じ方向の運動を続ける慣性の法則を利用して、３自由度（Ｒｏｌｅ，Ｐｉｔｃｈ，Ｙａｗ）の回転量を検知することができる。また、加速度センサは、物体が同じ場所に留まり続ける慣性の法則を利用して、３自由度（Ｘ，Ｙ，Ｚ）の移動速度変化を検知することができる。また、地磁気センサは南北方向を検知でき、重力センサは地面との垂直方向を検知できる。

位置姿勢推定部１９は、検出部１８により検出されたセンサ情報を用いて受信装置１０の姿勢を推定する。位置姿勢推定部１９は、カメラ１６により撮影されたフレーム画像をさらに用いて受信装置１０の位置及び姿勢を推定してもよい。位置姿勢推定部１９は、受信装置１０の姿勢から、ユーザの視線方向を推定する。例えば、ユーザの視線方向は、カメラ１６の向いている方向としてもよい。

また、位置姿勢推定部１９は、カメラ１６により撮影された映像に基づいて、ユーザの視点位置を推定する。ユーザの視点位置は、カメラ１６の位置としてもよい。位置姿勢推定部１９は、例えば、実空間を撮影したある１枚の映像フレームの画像から特徴点を検出し、その次の映像フレームの画像内でその特徴点と同様の特徴量をもつ点を近傍探索により検出し、一つの特徴点の移動量を判定する。次に、前後２フレームにおけるその特徴点の位置と、映像フレームと同じ時間間隔での視線方向変化の推定結果を組み合わせることで、三点測量により受信装置１０と特徴点との距離を求めることができる。同様に、位置姿勢推定部１９は、複数の特徴点と受信装置１０との距離を検出し、それらの特徴点が同一平面に存在することを判断することで、実空間内の平面を検出することができる。そして、位置姿勢推定部１９は、ユーザの視点位置及び視線方向を示す視点情報をモデルレンダリング部２０及び座標変換部２３に出力する。

なお、ＡＲコンテンツを実際に視聴し始める前に、端末の位置姿勢推定部１９に実空間の平面などのコンテンツ視聴空間の状況を学習させるキャリブレーション作業をユーザに行わせてもよい。事前のキャリブレーションをユーザに行わせる場合には、ユーザがＡＲによってオブジェクトを合成させるように意図する平面（床面や、テーブルの卓面）を中心に、実空間をカメラ１６で撮影して平面検出を行わせる。一般に、事前キャリブレーションによる空間学習を行うことで、ＡＲによる実空間映像へのオブジェクトの合成をより安定させることが可能であるが、ＡＲコンテンツ視聴において事前キャリブレーションを必要としない場合もある。

モデルレンダリング部２０は、位置姿勢推定部１９から視点情報を入力し、モデル復号部１５により復号された３次元モデルシーケンスに対して、視点位置及び視線方向に応じたビューポートのレンダリングを行ってレンダリング画像を生成し、映像合成部２１に出力する。

映像合成部２１は、モデルレンダリング部２０から入力したレンダリング画像と、フレームメモリ１７から入力したフレーム画像とを合成して合成画像を生成し、該合成画像をディスプレイ２２に表示させる。

座標変換部２３は、位置姿勢推定部１９から視点情報を入力し、第２バッファ１４から音源メタデータ（音源オブジェクトのワールド座標系における３次元座標）を入力する。座標変換部２３は、音源オブジェクトの３次元座標を、ワールド座標系から、ユーザの視点位置を中心として視線方向を軸方向とするビュー座標系に座標変換を行い、座標変換後の音源メタデータをオブジェクト選択部２５に出力する。座標変換には、例えば、アフィン変換を用いることができる。視点位置を（Ｖｘ，Ｖｙ，Ｖｚ）、視線方向の単位ベクトルを（Ｄｘ，Ｄｙ，Ｄｚ）とすると、Ｙ軸中心の回転角α、Ｘ軸中心の回転角βに関して、式（１）が成立する。

この時、ワールド座標系からビュー座標系への回転行列Ａは、式（２）で表される。

また、視点位置を原点とする座標移動行列Ｔは、式（３）で表される。

以上より、座標変換部２３は、式（４）の行列演算式により、音源オブジェクトの３次元座標ベクトルＰをビュー座標系の座標ベクトルＰ’に座標変換する。これらの座標変換演算は、３次元モデルの描画時においても一般的に行われる演算処理であり、ＧＰＵの機能を用いることができる。なお、上記の変換行列は一例であり、ワールド座標系及びビュー座標系における右手系・左手系の違いや、軸極性の向き、座標ベクトルを行ベクトルで表現するか列ベクトルで表現するか等により異なる場合がある。

処理負荷測定部２４は、ＣＰＵ使用率、メモリ使用率などの受信装置１０の処理負荷を示す負荷情報を測定し、オブジェクト選択部２５に出力する。

オブジェクト選択部２５は、クロックにより制御されたタイミングで、第２バッファ１４から音声チャンクを入力する。オブジェクト選択部２５は、処理負荷測定部２４により測定された処理負荷に基づいて、ビュー座標系において音源オブジェクト選択領域を規定し、該音源オブジェクト選択領域内に位置する音源オブジェクトを、音響処理対象の音源オブジェクトとして選択する。換言すれば、オブジェクト選択部２５は、処理負荷測定部２４により測定された処理負荷、及び座標変換部２３から入力された音源メタデータ（音源オブジェクトのビュー座標系における３次元座標）に基づいて、音響処理対象の音源オブジェクトを選択する。そして、オブジェクト選択部２５は、選択した音源オブジェクトの音声チャンクを音声復号部２６に出力し、該音源オブジェクトの３次元座標を３次元音響レンダリング部２７に出力する。

具体的には、オブジェクト選択部２５は、処理負荷測定部２４から入力された負荷情報を元に、処理負荷の評価値Ｌを算出する。例えば、ＣＰＵ使用率をＲ_１とし、メモリ使用率をＲ_２とし、係数をＫ_１及びＫ_２すると、オブジェクト選択部２５は、評価値Ｌ＝Ｋ_１×Ｒ_１＋Ｋ_２×Ｒ_２とする。係数Ｋ_１及びＫ_２の一方は０であってもよい。オブジェクト選択部２５は、評価値Ｌ（処理負荷）が大きいほど、音源オブジェクト選択領域が小さくなるように規定する。例えば、オブジェクト選択部２５は、評価値Ｌが第１の閾値を超える場合には、音響処理対象の音源オブジェクトの数を減らすように音源オブジェクト選択領域を縮小し、評価値Ｌが第２の閾値よりも小さい場合には、処理対象の音源オブジェクトの数を増やすように音源オブジェクト選択領域を拡大する。

例えば、オブジェクト選択部２５は、音源オブジェクト選択領域をユーザの視点位置であるビュー座標系の原点を中心とした半径Ｒの球体とし、原点からの距離ｒがｒ＜Ｒとなる音源オブジェクトを処理対象とすることが考えられる。すなわち、オブジェクト選択部２５は、処理負荷の評価値Ｌと半径Ｒの関係をＲ＝ｆ（Ｌ）（ｆ（ｘ）は単調減少関数）とし、処理負荷が予め定める閾値よりも大きい時は半径Ｒを小さくし、処理負荷が予め定める閾値よりも小さい時は半径Ｒを大きくする制御を行う。なお、本実施形態では音源オブジェクト選択領域をユーザの視点位置を中心とする球体とするが、ユーザの視線方向に指向性を持たせた楕円体など、その他の形状で定義することも可能である。

音源メタデータは、音源オブジェクトの優先度ｐを含んでもよい。この場合には、オブジェクト選択部２５は、ビュー座標系における音源オブジェクトの原点からの距離を優先度ｐが大きいほど短くなるように変更した場合に音源オブジェクト選択領域に含まれることになる音源オブジェクトを、音響処理対象の音源オブジェクトとして選択する。例えば、原点と音源オブジェクトとの実際の距離ｒに対して、ｒ’＝ｒ＊ｇ（ｐ）（ｇ（ｘ）は単調減少関数）を音源オブジェクト選択領域の半径Ｒと比較する際の評価値ｒ’としてもよい。例えば、ｇ（ｘ）＝１／ｘとしたとき、オブジェクト選択部２５は、優先度ｐ＝１の音源オブジェクトについては、ｒ’＝ｒ≦Ｒを満たさなければ音響処理対象の音源オブジェクトとして選択しないが、優先度ｐ＝１００の音源オブジェクトについては、ｒ’＝ｒ／１００≦Ｒを満たせば音響処理対象の音源オブジェクトとして選択する。

また、音源メタデータは、音源オブジェクトの最大音圧レベルｌを含んでもよい。この場合には、オブジェクト選択部２５は、ビュー座標系における音源オブジェクトの原点からの距離を最大音圧レベルｌが大きいほど短くなるように変更した場合に音源オブジェクト選択領域に含まれることになる音源オブジェクトを、音響処理対象の音源オブジェクトとして選択する。つまり、最大音圧レベルｌについても、音圧レベルの高い音声ほど視聴位置から遠くても聞こえるため、ｒ’＝ｒ＊ｈ（ｌ）（ｈ（ｘ）は単調減少関数）を評価値とする。最大音圧レベルを音源メタデータとして伝送することにより、受信装置１０で実際に音声チャンクを復号せずとも音圧レベルに応じた選択が可能となり、処理負荷の軽減が可能となる。優先度ｐ及び最大音圧レベルｌをともに考慮すると、音源オブジェクトの原点距離の評価値ｒ’は実際の距離ｒに対して、ｒ’＝ｒ＊ｇ（ｐ）＊ｈ（ｌ）となり、オブジェクト選択部２５は、ｒ’≦Ｒを満たす音源オブジェクトを、音響処理対象の音源オブジェクトとして選択する。

音声復号部２６は、オブジェクト選択部２５により選択された音源オブジェクトの音声チャンクを、３次元音響レンダリング部２７が直接処理可能な形式に変換する。例えば、音声復号部２６は、ＭＰＥＧ－４ ＡＡＣ（Advanced Audio Codec）、ＭＰＥＧ－Ｈ ３ＤＡ（３Ｄ Audio）などの圧縮ストリームを復号処理し、ＰＣＭ（Pulse Code Modulation）データなどの非圧縮ストリームに変換する。音声復号部２６は、復号処理した音声チャンク（復号済み音声チャンク）を３次元音響レンダリング部２７に出力する。

３次元音響レンダリング部２７は、音声復号部２６から復号済み音声チャンクを入力し、オブジェクト選択部２５から音響処理対象として選択された音源オブジェクトのビュー座標系における３次元座標を入力する。３次元音響レンダリング部２７は、音響処理対象の音源オブジェクトの音声チャンクを用いてバイノーラル音声を生成し、スピーカ２８、又は図示しないヘッドフォンなどからバイノーラル音声を出力させる。

図４は、３次元音響レンダリング部２７の構成例を示すブロック図である。３次元音響レンダリング部２７は、マッピング部２７１と、ダウンミックス部２７２と、を備える。

マッピング部２７１は、復号済み音声チャンク及び音源メタデータ（音源オブジェクトの３次元座標）を、音源オブジェクトＩＤ及びシーケンス番号によって紐付け可能な状態で入力する。そして、マッピング部２７１は、復号済み音声チャンクを、ビュー座標系において視点位置を中心とした所定位置に配置された所定数の仮想マルチチャンネルスピーカ（仮想チャンネルベース音源）に割り当てる（ミックスする）。

図５は、３次元空間コンテンツのワールド座標系（真上からの視点）及び音源オブジェクトＯ_１～Ｏ_５の配置例を示す図である。図６は、視点位置を原点としたビュー座標系（真上からの視点）及び仮想マルチチャンネルスピーカの配置の例を示す図である。図６に示す例では、仮想マルチチャンネルスピーカは、視点位置と同じ高さに、視点位置を中心とする円上に等間隔に８個配置されており、以降の図７から図１０ついても同様である。仮想マルチチャンネルスピーカの数及び配置場所はこの限りではなく、任意の数の仮想マルチチャンネルスピーカを任意の場所に配置可能である。例えば、５．１ｃｈや２２．２ｃｈのマルチチャンネル音響のスピーカ配置などを使用してもよい。

ユーザの動作に伴い視点位置は移動するため、ワールド座標系とビュー座標系は、ユーザの動作によって相対的な位置関係が変化する。図７は、ある瞬間における、ワールド座標系に配置されたビュー座標系（真上からの視点）の例を示す図である。図８は、ある瞬間における、ワールド座標系に配置されたビュー座標系（真横からの視点）の例を示す図である。

図９は、マッピング部２７１の処理の一例として、音源オブジェクトからビュー座標系の仮想マルチチャンネルスピーカへのマッピングの例を示す図である。図９では、オブジェクト選択部２５は視点位置を中心とする球状の音源オブジェクト選択領域の内側に位置する音源オブジェクトを音響処理対象とするものとし、音源オブジェクト選択領域を２点鎖線で示している。なお、音源オブジェクトＯ_２は、上側から投影図では音源オブジェクト選択領域の内部に位置するように見えるが、空間的に見ると原点を中心とする球状の音源オブジェクト選択領域の外部に位置するため、マッピングの対象から外れる。また、図９では、例として、ビュー座標系に変換された音源オブジェクトの座標と仮想マルチチャンネルスピーカとの間の距離を利用し、音源オブジェクトから最も距離が近い仮想マルチチャンネルスピーカにマッピングすることで規定数のチャンネルにマッピングをしていることを示している。なお、音源オブジェクトから仮想マルチチャンネルスピーカへのマッピング手法はこれに限られるものではなく、例えば１つの音源オブジェクトを複数の仮想マルチチャンネルスピーカに分散させてもよい。マッピングでは、例えば、ビュー座標系の原点と音源オブジェクトとの距離ｒに応じて音圧を減衰させる。なお、音響処理対象の音源オブジェクトの数が仮想マルチチャンネルスピーカの規定数に足りない場合には、オブジェクト選択部２５は音源オブジェクト選択領域を広げて選択をやり直してもよい。

ダウンミックス部２７２は、仮想マルチチャンネルスピーカに割り当てられた復号済み音声チャンクを用いて、ユーザの左右の耳に対応する２チャンネルのバイノーラル音声にダウンミックスする。具体的には、ダウンミックス部２７２は、音声信号を一定の処理区間に区切り、音声信号を周波数領域に変換して固定数の頭部伝達関数の周波数特性を掛け合わせた後に、時間領域の音声信号に戻す処理を行うことにより、バイノーラル音声にダウンミックスする。

図１０は、ダウンミックス部２７２の処理の一例として、ビュー座標系の仮想マルチチャンネルスピーカからバイノーラル音声を生成するダウンミックス処理の例を示している。図１０に示す例では、前後方向の仮想マルチチャンネルスピーカについては左右両方のスピーカ２８－１及び２８－２に両方に均等に割り当て、その他の仮想マルチチャンネルスピーカは最寄りの左右いずれかのスピーカ２８－１又は２８－２にマッピングしている。これらのマッピングごとに頭部伝達関数の周波数領域の演算を行い、ミックスすることで、ユーザは上下前後左右の立体感を体験できる。図１０に示すダウンミックスによると、必要な頭部伝達関数の数は１０個となる。なお、図９に示したマッピング、及び図１０に示したダウンミックスはあくまで一例であり、より高度なアルゴリズムにより３次元音場の再現性を高めてもよい。例えば、図１０においては視線方向の左寄りの仮想マルチチャンネルスピーカはスピーカ２８－１のみへ、右寄りの仮想マルチチャンネルスピーカはスピーカ２８－２のみへの頭部伝達関数を考慮しているが、視線方向の左寄りの仮想マルチチャンネルスピーカからスピーカ２８－２へ、右寄りの仮想マルチチャンネルスピーカはスピーカ２８－１への頭部伝達関数を考慮するように、頭部伝達関数を増やしても良い。頭部伝達関数の数を増やすことで、よりリアリティのあるバイノーラル音声の生成が期待できるが、処理負荷増加とのトレードオフとなる。

なお、音源オブジェクトのストリーミング伝送について、配信装置４０は音声チャンクの音声符号データと音源メタデータを含む全てのデータをＵＤＰ／ＩＰパケットなどに多重化してストリーミング伝送してもよいし、音声ストリームの符号データの実体は伝送せずに、代わりに音声チャンクのロケーション情報と音源メタデータをＵＤＰ／ＩＰパケットなどに多重化してストリーミング伝送してもよい。ロケーション情報としては、ＨＴＴＰなどにより音声チャンクのファイルを取得するためのＵＲＬ情報や、ＩＰマルチキャストなどにより音声チャンクのストリームを追加受信するためのマルチキャストＩＰアドレスおよびポート番号などを指定することができる。この場合には、受信装置１０は、オブジェクト選択部２５により音響処理対象として選択された音源オブジェクトのみをロケーション情報により指定される音声チャンクのファイルを取得することで、負荷削減が可能となる。また、音源メタデータにロケーション情報を含めて、配信装置４０は音源メタデータのみをストリーミング伝送するようにしてもよい。

（第２の実施形態）
次に、第２の実施形態として、自由度が３ＤｏＦのＶＲコンテンツ（３６０度ＶＲ映像コンテンツ）を伝送する３６０度ＶＲコンテンツ伝送システムについて説明する。

図１１は、第２の実施形態に係る３６０度ＶＲコンテンツ伝送システム２の構成例を示す図である。３６０度ＶＲコンテンツ伝送システム２は、受信装置（ＶＲ受信装置）１０Ａと、配信装置４０Ａと、を備える。時刻サーバ５０は、受信装置１０Ａと配信装置４０Ａとを同期させるために設けられる。以下、第１の実施形態に係るＡＲコンテンツ伝送システム１と同一の構成については適宜説明を省略し、相違する部分について説明する。

配信装置４０Ａは、放送やインターネットなどの伝送路６０を経由して、ＶＲコンテンツをストリーミング伝送する。配信装置４０Ａは、ＶＲコンテンツの３次元空間内に複数配置される音源オブジェクトの音声ストリームと、音源オブジェクトの位置情報（３次元座標）を含む音源メタデータとを、関連付けて、受信装置１０Ａに送信する。配信装置４０Ａは、クロック生成部４１と、多重化部４２と、を備える。

配信装置４０Ａは、第１の実施形態の配信装置４０と比較して、３次元モデルシーケンスではなくＶＲ映像シーケンスを多重化して伝送する点が相違する。すなわち、多重化部４２は、ＶＲ映像シーケンス、音声ストリーム（音声チャンクのシーケンス）、及び音源メタシーケンス（音源メタデータのシーケンス）を多重化してＶＲコンテンツを生成し、配信装置４０の外部に送信する。

受信装置１０Ａは、スマートフォン、タブレット型端末などのモバイル端末、ＶＲゴーグル、ＶＲヘッドマウントディスプレイなどの端末である。図１１に示す例では、受信装置１０Ａは、クロック生成部１１と、多重分離部１２と、第１バッファ１３と、第２バッファ１４と、検出部１８と、位置姿勢推定部１９Ａと、ディスプレイ２２と、座標変換部２３Ａと、処理負荷測定部２４と、オブジェクト選択部２５と、音声復号部２６と、３次元音響レンダリング部２７と、スピーカ２８と、映像復号部２９と、映像切出部３０と、を備える。受信装置１０Ａは、第１の実施形態の受信装置１０と比較して、モデル復号部１５、カメラ１６、フレームメモリ１７、モデルレンダリング部２０、及び映像合成部２１を有しておらず、映像復号部２９及び映像切出部３０を有している点が相違する。また、位置姿勢推定部１９Ａ及び座標変換部２３Ａの処理が、位置姿勢推定部１９及び座標変換部２３の処理と相違する。

多重分離部１２は、配信装置４０Ａから、ＶＲ映像シーケンス、音声ストリーム、及び音源メタシーケンスが多重化されたＶＲコンテンツを、放送やインターネットなどの伝送路６０を経由して受信し、これらを分離する。そして、ＶＲ映像シーケンスを第１バッファ１３に出力し、音源メタシーケンス及び音声ストリームを第２バッファ１４に出力する。

映像復号部２９は、第１バッファ１３から取得したＶＲ映像シーケンスをＨ．２６５／ＨＥＶＣなどの既存の方式により復号し、映像切出部３０に出力する。

位置姿勢推定部１９Ａは、検出部１８から入力したセンサ情報を用いて、ユーザの視線方向を推定する。例えば、位置姿勢推定部１９Ａは、ユーザの視線方向をジャイロセンサの情報から推定する。ここでは、自由度が３ＤｏＦ（視点位置が固定）のＶＲコンテンツを想定しているため、第１の実施形態の位置姿勢推定部１９のように、加速度センサやカメラで撮影された映像などにより視点位置を推定する必要はない。位置姿勢推定部１９Ａは、ユーザの視線方向を示す視点情報を座標変換部２３Ａ及び映像切出部３０に出力する。なお、位置姿勢推定部１９Ａは、位置姿勢推定部１９と同等の機能としてユーザの視点位置情報を出力しても良いが、３ＤｏＦコンテンツでは視点位置情報は使用されない。

座標変換部２３Ａは、音源オブジェクトの３次元座標ベクトルＰを、式（２）で示した回転行列Ａを用いて、式（５）の行列演算式によりビュー座標系の座標ベクトルＰ’に座標変換する。ここでは、自由度が３ＤｏＦのＶＲコンテンツを想定しているため、ワールド座標系とビュー座標系の原点が一致する（ユーザの視点位置がワールド座標系の原点に固定される）ように音源メタデータの音源位置情報を制作することができる。この場合には、ワールド座標系からユーザ中心のビュー座標系への変換は、回転移動のみとなり平行移動を伴わない。

映像切出部３０は、映像復号部２９により復号されたＶＲ映像から、位置姿勢推定部１９Ａにより推定されたユーザの視線方向に対応するビューポートの映像を切り出して切出映像を生成し、該切出画像をディスプレイ２２に表示させる。

上述したように、受信装置１０，１０Ａは、処理負荷に基づいて、ビュー座標系において音源オブジェクト選択領域を規定し、該音源オブジェクト選択領域内に位置する音源オブジェクトを、音響処理対象の音源オブジェクトとして選択する。かかる構成により、音声復号部２６及び３次元音響レンダリング部２７の演算量及び回路規模を低減させることができ、コンテンツ再生のリアルタイム性を確保し、視聴品質を向上させることができる。また、ＣＰＵクロックやメモリ搭載量の異なる様々な性能の端末を受信装置として利用し、各端末の処理性能に応じたコンテンツ再生が可能なサービスを実現することができる。

また、受信装置１０，１０Ａは、ワールド座標系の３次元座標で伝送される音源オブジェクトの位置情報について、ユーザの視点位置を原点とするビュー座標系の３次元座標に変換してもよい。かかる構成により、ユーザの視点位置を座標系の中心の固定とみなすことができ、その後の演算を簡略化することができる。

また、受信装置１０，１０Ａは、音響処理対象の音源オブジェクトの音声チャンクを、一次処理としてビュー座標系に配置された仮想マルチチャンネルスピーカに割り当て、次に二次処理として仮想マルチチャンネルスピーカに割り当てられた音声チャンクを用いて、バイノーラル音声を生成してもよい。かかる構成により、一次処理においては、バイノーラル音声の生成に必要とされる高負荷な周波数領域の演算を用いないで、距離による単純な音圧減衰など低負荷な演算を用いることができ、さらに一次処理によって仮想チャンネル数・音源位置が固定となり、二次処理では有限数の頭部伝達関数を用いてバイノーラル音声を生成することができる。このため、３次元音響レンダリング部２７の演算量及び回路規模をさらに低減させることができる。

また、受信装置１０，１０Ａは、負荷測定による現状の処理負荷に応じて音源オブジェクト選択領域を拡大・縮小させてもよい。かかる構成により、音声復号部２６及び３次元音響レンダリング部２７の処理負荷を最適化することができる。

また、受信装置１０，１０Ａは、ビュー座標系における音源オブジェクトの原点からの距離を優先度及び／又は最大音圧レベルが大きいほど短くなるように変更した場合に音源オブジェクト選択領域に含まれることになる音源オブジェクトを、音響処理対象の音源オブジェクトとして選択してもよい。かかる構成により、コンテンツの視聴品質をさらに向上させることができる。

＜プログラム＞
上記の受信装置１０，１０Ａとして機能させるためにプログラム命令を実行可能なコンピュータを用いることも可能である。コンピュータは、受信装置１０，１０Ａの機能を実現する処理内容を記述したプログラムを該コンピュータの記憶部に格納しておき、該コンピュータのプロセッサによってこのプログラムを読み出して実行させることで実現することができ、これらの処理内容の少なくとも一部をハードウェアで実現することとしてもよい。ここで、プログラム命令は、必要なタスクを実行するためのプログラムコード、コードセグメントなどであってもよい。プロセッサは、ＣＰＵ、ＧＰＵ、ＤＳＰ、ＡＳＩＣ(Application Specific Integrated Circuit)などであってもよい。

また、このプログラムは、コンピュータが読み取り可能な記録媒体に記録されていてもよい。このような記録媒体を用いれば、プログラムをコンピュータにインストールすることが可能である。ここで、プログラムが記録された記録媒体は、非一過性の記録媒体であってもよい。非一過性の記録媒体は、特に限定されるものではないが、例えば、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭなどの記録媒体であってもよい。また、このプログラムは、ネットワークを介したダウンロードによって提供することもできる。

上述の実施形態は代表的な例として説明したが、本発明の趣旨及び範囲内で、多くの変更及び置換ができることは当業者に明らかである。したがって、本発明は、上述の実施形態によって制限するものと解するべきではなく、特許請求の範囲から逸脱することなく、種々の変形や変更が可能である。例えば、実施形態に記載の構成ブロック又は処理ステップについて、複数を１つに組み合わせたり、１つを複数に分割したりすることが可能である。

１ ＡＲコンテンツ伝送システム
２ ３６０度ＶＲ映像コンテンツ伝送システム
１０，１０Ａ 受信装置
１１ クロック生成部
１２ 多重分離部
１３ 第１バッファ
１４ 第２バッファ
１５ モデル復号部
１６ カメラ
１７ フレームメモリ
１８ 検出部
１９，１９Ａ 位置姿勢推定部
２０ モデルレンダリング部
２１ 映像合成部
２２ ディスプレイ
２３，２３Ａ 座標変換部
２４ 処理負荷測定部
２５ オブジェクト選択部
２６ 音声復号部
２７ ３次元音響レンダリング部
２８ スピーカ
２９ 映像復号部
３０ 映像切出部
４０，４０Ａ 配信装置
４１ クロック生成部
４２ 多重化部
５０ 時刻サーバ
６０ 伝送路

Claims (8)

1. 音源オブジェクトの音声ストリームをブロック化した音声チャンクと、前記音源オブジェクトのワールド座標系における３次元座標を含む音源メタデータと、を受信する受信装置であって、
   前記音源オブジェクトの３次元座標を、ワールド座標系からビュー座標系へ変換する座標変換部と、
   当該受信装置の処理負荷に基づいて、前記ビュー座標系において音源オブジェクト選択領域を規定し、該音源オブジェクト選択領域内に位置する音源オブジェクトを、音響処理対象の音源オブジェクトとして選択するオブジェクト選択部と、
   前記音響処理対象の音源オブジェクトの音声チャンクを用いてバイノーラル音声を生成する３次元音響レンダリング部と、
   を備え、
   前記オブジェクト選択部は、前記処理負荷が大きいほど、前記音源オブジェクト選択領域が小さくなるように規定する受信装置。
2. 音源オブジェクトの音声ストリームをブロック化した音声チャンクと、前記音源オブジェクトのワールド座標系における３次元座標を含む音源メタデータと、を受信する受信装置であって、
   前記音源オブジェクトの３次元座標を、ワールド座標系からビュー座標系へ変換する座標変換部と、
   当該受信装置の処理負荷に基づいて、前記ビュー座標系において音源オブジェクト選択領域を規定し、該音源オブジェクト選択領域内に位置する音源オブジェクトを、音響処理対象の音源オブジェクトとして選択するオブジェクト選択部と、
   前記音響処理対象の音源オブジェクトの音声チャンクを用いてバイノーラル音声を生成する３次元音響レンダリング部と、
   を備え、
   前記音源メタデータは、前記音源オブジェクトの優先度を含み、
   前記オブジェクト選択部は、前記ビュー座標系における前記音源オブジェクトの原点からの距離を前記優先度が大きいほど短くなるように変更した場合に前記音源オブジェクト選択領域に含まれることになる音源オブジェクトを、前記音響処理対象の音源オブジェクトとして選択する受信装置。
3. 音源オブジェクトの音声ストリームをブロック化した音声チャンクと、前記音源オブジェクトのワールド座標系における３次元座標を含む音源メタデータと、を受信する受信装置であって、
   前記音源オブジェクトの３次元座標を、ワールド座標系からビュー座標系へ変換する座標変換部と、
   当該受信装置の処理負荷に基づいて、前記ビュー座標系において音源オブジェクト選択領域を規定し、該音源オブジェクト選択領域内に位置する音源オブジェクトを、音響処理対象の音源オブジェクトとして選択するオブジェクト選択部と、
   前記音響処理対象の音源オブジェクトの音声チャンクを用いてバイノーラル音声を生成する３次元音響レンダリング部と、
   を備え、
   前記音源メタデータは、前記音源オブジェクトの最大音圧レベルを含み、
   前記オブジェクト選択部は、前記ビュー座標系における前記音源オブジェクトの原点からの距離を前記最大音圧レベルが大きいほど短くなるように変更した場合に前記音源オブジェクト選択領域に含まれることになる音源オブジェクトを、前記音響処理対象の音源オブジェクトとして選択する受信装置。
4. ユーザの視線方向を推定する位置姿勢推定部をさらに備え、
   前記座標変換部は、前記音源オブジェクトの３次元座標を、前記ワールド座標系から、前記視線方向を軸方向とする前記ビュー座標系へ変換する、請求項１から３のいずれか一項に記載の受信装置。
5. 前記位置姿勢推定部は、前記ユーザの視点位置を推定し、
   前記座標変換部は、前記音源オブジェクトの３次元座標を、前記ワールド座標系から、前記視点位置を原点とする前記ビュー座標系へ変換する、請求項４に記載の受信装置。
6. 前記３次元音響レンダリング部は、
   前記音響処理対象の音源オブジェクトの音声チャンクを、前記ビュー座標系に配置された仮想マルチチャンネルスピーカに割り当てるマッピング部と、
   前記仮想マルチチャンネルスピーカに割り当てられた前記音声チャンクを用いて、前記バイノーラル音声を生成するダウンミックス部と、
   を備える、請求項１から５のいずれか一項に記載の受信装置。
7. 請求項１から６のいずれか一項に記載の受信装置と、
   前記音声チャンクと前記音源メタデータとを関連付けて、前記受信装置に送信する配信装置と、
   を備えるコンテンツ伝送システム。
8. コンピュータを、請求項１に記載の受信装置として機能させるためのプログラム。

Images