まず音源があり、その後にフィルタがかかる
実用的な近似として音源―フィルタモデルがあります。声帯の周期振動が基本周波数と倍音を生み、咽頭腔、口腔、鼻腔などの経路が周波数ごとに強めたり弱めたりします。大きく強調された周波数帯がフォルマントになります。基本周波数が同じでも、舌の位置や口の形を変えれば母音や音色は変わります。
これにより、「ピッチが低い」ことが自動的に「声に厚みがある」ことを意味しない理由や、口の形や共鳴位置を変えると聴感が大きく変わる理由が分かります。
スペクトル統計が表すもの
| 特徴 | 直感的な意味 | よくある誤解 |
|---|---|---|
| スペクトル重心 | スペクトルエネルギーの「重心」。高いほど、明るい・鋭い聴感と関連することがよくあります。 | 特定の固定フォルマントではなく、ノイズによって高くなることもあります。 |
| スペクトルロールオフ | 累積エネルギーが一定割合に達する周波数で、高域への広がりを反映します。 | コーデック、マイクの周波数特性、歯擦音によって変化します。 |
| スペクトル平坦度 | スペクトルが明瞭な倍音に近いか、均一なノイズに近いか。 | スペクトル平坦度が高いからといって「音質が悪い」という意味ではありません。息漏れ声と環境音では、そもそもスペクトル特性が異なります。 |
| フォルマント | 声道フィルタリングによって生じる局所的なスペクトルピーク。 | 自動推定は基本周波数、母音、サンプリングレート、パラメータ設定の影響を受けます。 |
マイクも音の「形作り」に関わる
近接録音では低域が増えることがあり、マイク軸から外れると一部の高域が弱まり、部屋の反射は新たなピークや谷を作ります。スマートフォンのノイズ抑制や自動ゲインも時間とともにスペクトルを変えます。つまり、アルゴリズムが最初に測定するのは「話者 + 内容 + 部屋 + デバイス + 処理チェーン」が共同で作ったファイルです。
CVoiceは複数のスペクトル統計を組み合わせて聴感の軸を作ります。Rebornではさらにトランジェント、イベント密度、ダイナミックレンジを組み合わせて音の形を判断します。どちらも単一のスペクトル数値を人の身元へ直接変換することはありません。
共鳴は手がかりにはなるが、身元の証明にはならない
声道構造、発音動作、言語、訓練、感情、デバイスはいずれも共鳴に影響します。集団間に統計的な傾向が存在することはあっても、個々の録セント布は大きく重なります。フォルマントを使って「この録音は明るめに聞こえる」と記述することはできますが、実際の性別、年齢、身体構造を確認するのは証拠が支えられる範囲を超えています。
ラベルの読み方「温かい・澄んでいる・厚みがある」といった表現は、現在の録音が設計された複数の軸のどこに位置するかとして捉え、話者の変わらない本質とは考えません。