言語的情報と非言語的情報の音響的分離と音声コミュニケーション

摘要

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。%The source-filter model, which was derived from observations of speech production, has been widely used to separate speech features into two parts: vocal source characteristics and vocal tract characteristics. However, the latter characteristics, often called as spectrum envelopes, transmit both linguistic information and extra-linguistic information, which are intrinsically independent of each other. This is why a speaker-independent acoustic model of a linguistic content for ASR is often built statistically by collecting utterances of that linguistic content from a large number of speakers. In the beginning part of this paper, after reviewing infants' vocal imitation for language acquisition, the vocal imitation observed in severely impaired autistics who have difficulty in speech communication, and the vocal imitation of animals, we claim the importance to derive the acoustic modeling which can separate acoustic features for linguistic information and those for extra-linguistic information. We also insist that the acoustic modeling with incomplete separation should be suited not for realizing speech communication ability on machines but only for realizing impersonation ability on machines. Further, we describe that, only with incomplete separation, speech communication has to be difficult even for humans. In the ending part of this paper, we introduce the structural representation of speech, which we proposed to realize the information separation for creating human-like machines, and show some experimental results obtained by using the proposed representation.