Acoustic separation between linguistic and extra-linguistic information in speech and its significant importance to enable speech communication

あらまし 音声に含まれる音響的特徴の分離モデルとして,音声の生成過程に着眼し,音源と声道の特性に分離する ソース・フィルターモデルが従来より広く使われている。しかし,声道形状を音響的に表象するスペクトル包絡特性 は,本来独立な情報と考えられる音声の言語的情報と非言語的情報の両方に関与する。そのため,例えば,音声認識に おける不特定話者音響モデルは,同一の言語的情報を担う音声を大多数の話者から集め,統計的に音響モデリングを 行うことが一般的である。本稿の前半では,幼児の言語獲得における音声模倣行為,音声コミュニケーションの獲得に 困難を示す自閉症者の音声模倣行為,更には動物における音声模倣行為などを概観し,音声の中に同居する言語的情 報を担う特徴と非言語的情報を担う特徴とを音響的に分離するモデルの必要性を主張する。また,情報分離が不完全 な音響モデリングは,音声コミュニケーション能力の計算機上での実現を目的とした音響モデリングではなく,声帯 模写能力の計算機上での実現を目的とした音響モデリングとして解釈すべきであること,そして,不完全な情報分離 のみでは,本来,人間であっても音声コミュニケーションは困難となることについて言及する。本稿の後半では,二種 類の情報の分離を目的として筆者が近年提案している音声の構造的表象について触れ,幾つかの実験結果を紹介する。 キーワード ソース・フィルターモデル,言語的・非言語的情報,スペクトル包絡特性,音声コミュニケーション,音 声模倣と声帯模写,自閉症,音声の構造的表象,f -divergence に基づく完全変換不変性