空気の振動から計算可能な信号へ
マイクは空気の振動を連続したデジタルサンプルへ変換します。アルゴリズムが「人のようにあなたを理解する」わけではなく、短い時間窓ごとに周期性、エネルギー分布、変化速度、ノイズを測定し、複数の信号を読みやすい説明へ整理します。
同じ人でも、スマートフォン、部屋、距離が違えば録音されるスペクトルは完全には同じになりません。同じ端末でも、小声、興奮、疲労、意図的に低くした声によって結果は変わります。そのためCVoiceが説明するのは今回の録音に表れた声。
ピッチ：音の周期性を示す主要な手がかり
安定した周期性を持つ有声音では、一般にF0と呼ばれる基本周波数を推定できます。F0の高低は聴感に大きく影響しますが、人のピッチはイントネーションに伴って常に動くため、平均値だけでは多くの情報を見落とします。
CVoiceはピッチ範囲、短時間変化、追跡しやすさも見ます。FrostNoteのリアルタイム検出では、現在の音符付近での安定性をより重視します。BGM、口笛、強い息声、複数人の同時発話はいずれも基本周波数の追跡を難しくすることがあります。
質感の各軸が聴感にどう影響するか
一般に高域のエネルギーやスペクトル重心と関係します。マイクに近すぎること、端末のノイズ除去、耳障りなノイズなどでも変化します。
低中域のエネルギー、声門励振、共鳴構造から生まれる総合的な印象で、単に音量が大きいことを意味せず、特定の性別だけに属する特徴でもありません。
息声の割合、子音の輪郭、ノイズ、発音方法も関係します。柔らかい声が必ず曖昧とは限らず、明瞭な声が必ず鋭いとも限りません。
短時間のピッチ、エネルギー、リズムの変化を観察します。落ち着いた朗読と感情豊かな自然な表現では異なる軌跡が生まれます。
フォルマントから何が分かるか
声道は形を絶えず変えるフィルターのように働きます。舌の位置、口の開き、声道長によって複数のフォルマントが生まれ、母音や音色に大きく関わります。フォルマントはピッチだけでは説明できない違いを補えますが、発音内容、録音帯域、追跡誤差の影響も受けます。
より安定したテスト音声を録るには
- 普段会話するときの自然な声で、1〜2文の完全な文章を続けて話してください。単語だけを読むのは避けてください。
- できるだけ静かな部屋で録音し、BGM、ボイスチェンジャー、強い残響、他の人の話し声を避けてください。
- マイクとは手のひら1枚ほどの距離を保ってください。近すぎると破裂音やクリッピングが起きやすく、遠すぎるとノイズ除去で必要な細部まで失われることがあります。
- 無理のない音量を保ち、特定の結果を得るために意図的に声を高くしたり低くしたり、締めつけたりする必要はありません。
- 2回の結果を比較する場合は、できるだけ同じ機器、似た文章、近いマイク距離を使ってください。
AMR、M4Aなどのモバイル録音をアップロードした場合、サービス側で先に形式変換が必要になることがあります。変換によってアルゴリズムが音声を読めるようにはなりますが、元の録音ですでに失われた周波数情報を復元することはできません。
口笛や非言語音声を別処理する理由
口笛には明瞭なピッチがあっても、自然な話し声にある声道共鳴や連続した音素構造がありません。通常の声質ラベルへ無理に入れれば数値は出せても、実際にはない確実性を感じさせてしまいます。そのためCVoiceでは明確な非言語発声を特殊音声結果へ振り分け、性別・年齢感や通常ランキングには含めません。