Sequence of spectrum slices Sequence of cepstrum vectors Sequence of distributions Structuralization by interrelating temporally-distant events

1 はじめに 一つの言語には数十種類の音素がある。しかし音素の音的実体は前後の音素環境などによって変 形し,異音と呼ばれる。音素と比較して種類数も多く,より具体的な音的現象に対応している。しか し奇̇妙̇な̇こ̇と̇に̇,これら音的事象を記号を用いて記す場合,性別,年齢,収録・伝送機器特性などの 非言語的要因による音の変形は一切無視される。その音響的変形が幾ら大きくても,である。音声認 識の音響モデリングは,凡そ,異音に相当する音事象をモデル化しているが,「非言語的変形の無視」 を実装するために,数千~数十万人の話者から,様々な環境で収録した音サンプル群を統計的に分布 としてモデル化している。本稿では,「非言語的変形の無視」の実装は,集めることではなく,音事 象間の差異を捉えることで可能となることを数学的に示し,極めて少数の話者の音声で,不特定話 者音声認識が可能であることを示す。提案する枠組みでは(音的要素ではなく)音的差異に着眼し, 差異の集合で規定される全体的な音的構造をモデル化する。構築したシステムは孤立音を音韻とし て同定することは出来ない。構造が無いからである。一方人間は孤立音に対する音韻同定は通常可能 であるが,それが困難となる状況は容易に作り出すことができる。また,音声コミュニケーションに 難は無いが,発話を音韻列として認知困難な方々は数多く存在する(発達性ディスレクシア)。本稿 では,孤立音を聞いて音韻同定する能力は,音声言語運用の必要条件では無いとの主張を行なう。