最も危険な失敗はエラーではなく、もっともらしく結果を出すこと
口笛、ハミング、電子的な純音には明瞭な周期性があるため、ピッチ検出器は安定した値を返せます。その後の処理が「基本周波数を検出できたか」だけを確認すると、こうした音まで主音色・年齢感・性別傾向の計算に入り、形式は整っていても意味の裏付けがないレポートが生成されてしまいます。
音声システムは「計算できる」を「解釈に適している」とすり替えるべきではありません。CVoiceでは通常の音色照合より先に特殊音声の振り分けを行い、まず入力に十分な自然音声構造があるかを判断してから結果ルートを選びます。
ピッチだけでなく構造の変化も見る
通常の話し声には母音、子音、立ち上がり、間、調音位置の変化があります。一定の口笛は狭い周波数帯にエネルギーが集中しやすく、持続純音はさらに変化が少なく、ハミングは声帯由来でも通常の文にある子音や口腔形状の変化を欠きます。単一指標は重なり得るため、一つのしきい値だけでは振り分けできません。
CVoiceでは、スペクトルエネルギーの集中度、帯域幅、狭帯域フレームの割合、時間に伴うスペクトル変化、ピッチ移動、立ち上がり、ゼロクロス、短時間の音色変化などを組み合わせて見ます。目的は「誰か」を識別したり合成音かどうかを判定したりすることではなく、この入力が通常の話し声レポートに適しているかという、より限定された問いに答えることです。
振り分け後、製品はどう応答すべきか
| 入力状態 | 処理方法 | 避けるべき誤解 |
|---|---|---|
| 自然な文で、品質も十分 | 通常の声の印象フローへ進む | 結果は今回の聴感だけを表すと明示する |
| 口笛・ハミング・持続純音の傾向 | 独立した特殊音声結果へ進む | 通常の年齢感・性別傾向は生成しない |
| 短すぎる・小さすぎる・ノイズがひどい | 再録音を促す | 不足した証拠をラベルに見せかけない |
| 確実には区別できない | 保守的に拒否するか、解釈の強さを下げる | 根拠のない断定をしない |
特殊音声の結果は主音色や組み合わせランキングには入りません。「何でも測れそう」という面白さは少し減りますが、レポートの意味の一貫性を守れます。
このゲートも音声分類の終点ではない
境界例は残ります。旋律を伴う話し声、息声、擬音、極端に短い文、強いノイズ除去を受けた録音には、音声と非音声の特徴が同時に含まれることがあります。システムができるのは工学的な振り分け判断であり、あらゆる発声を権威的に分類できると主張するものではありません。