○前回から続く…… （第５回）
|
[08: 雑音で聞きやすくなる 〜聞こえない音が聞こえる] |
■１つにはどこからどこまでぐらいあるんだうと。一番ナイーブな見方というのは離散的な系列としてあるんだというものでしょう。でもそうじゃないと。
そうじゃないとしたらどこら辺まで実際に広がっているんだろうというのを測定したいなと思いまして、修論でやったのは基本的に音響信号を取りのぞくということなんですよ。
○音響信号を取りのぞくというのは？
■音響信号を取りのぞくというのは、ある波形の一部分を切り取ってしまうことです。そうすると、もうそこは聞こえなくなってしまって極めて変なことになります。
ただ、そこに雑音を入れてやると、そこにはもともとの音声が関する情報はないにもかかわらずうまく補完されて聞こえることがあると。
○ああ。ある音を部分的に消してしまうんだけど、単に削除して無音だと単なるブツブツ音だけど、雑音をのっけるとなぜか聞けるようになるという現象ですね。
■そう。補完現象です。これをうまく使って、どのくらい広い幅を雑音にしてやってももともとの声が聞こえるか。それから雑音に入っていくところと、雑音が出ていくところをいろいろ組み合わせを変えてやって、どっちがどのくらい雑音の部分の補完に寄与するかみたいなことを、いろいろシステマティックに調べましたと。そうすると、ある部分の前のどのくらい、後のどのくらいがどの程度の割合で、この知覚に寄与するかというのを定量化できるのではないかというような観点でやったのが修論でした。
○で、どうだったんですか。
■要するに、基本的には200ミリ秒ぐらいの範囲が少なくとも非常に重要で、それぐらいの広がりを持ってお互いに隣同士もオーバーラップしながら情報は存在していると。その中の動き、特にスペクトルを分析してみると動いていくんですね。動いている、つまり音が「あー」なら「あー」で一定じゃなくて、言って、「いあい」と言えば、スペクトルがわっと変わるわけです。この変わっていく変わりの部分というのが非常に重要だというようなこととかが分かりました。
○変わっていく部分が聞こえていれば補完できるということですか。じゃあ、逆に、そこの部分を雑音で隠してしまうとどうなるんですか。
■それは非常に……
○補正がしにくくなるとか？
■そうですね。要するに、そこら辺からだんだん情報論理的な観点にもつながっていくわけですけど、世の中というのはある意味、冗長なわけですね。冗長というのは、刻一刻まったく一瞬たりとも気を抜けないわけじゃなくて、「いあい」の中のこの部分というのは前後と相関がある。相関があるからデータが抜けてても適切な条件下なら、そこは補完できるはずだと。
○ええ。
■何でそういう相関を持っているかというと、それは音を作り出す方が滑らかに変わっているからです。
要するに、口が滑らかにしか動き得ないからです。口が滑らかにしか動き得ないという制約の下で、ある相関を持たされたものというのは、その制約をうまく使っている限りにおいてはちゃんと復元可能なはずなわけですよね。
○なるほど。そりゃそうですね。人間は生物だし、人間の口から発する音は、当然その制約を受けているはずですね。
■だから、コンテキストと言っていることの１つはそれで、要するにこういうふうに情報の流れとして与えられているもの、これを、全体を考慮しないといけません。
その動きのパターンが情報になるわけです。ですから、その動きのパターンというものを考慮しなければいけませんということで、だからそのある一部分だけを取り出して、これが何だとか言ってもしょうがないだろうというところが１つある。
○はい。
■さらに、それはどっちかというと、それは刺激の側というか音の信号の側の事情なわけですけど、その後の話で、例えばその、伸び縮みする空間云々というのは、単純にそう変化するものに対してパッシブに変化しているものをとらえましょうという話じゃなくて、変化しているものに対してシステム自体が変化する、変化しているものに対して変化させられてしまうというような部分があるわけです。それが、何でそうなるかというと、この冗長性があるものをいかに効率よく符合化するかということで理解できるんじゃないかというふうな観点が、その後自分の中では前面にきたわけですけど。
その辺から−−現象的に見れば、やっぱり一連のコンテキスト依存性ですけど、順応であるとか学習といわれるようなところに、だんだん話がつながっていくわけですね。
|
[09: 変曲点が重要] |
○何か「節（ふし）」みたいなところがあるということですか。何か「ポイント」があって、そこをちゃんと聞いておけばあとはあまり聞いていなくてもいいような感じなんでしょうか。
■それはありますね。
○人間の情報処理の仕組みってどうなっているのかよく分からないんですけど、最近、結構そういうことを言う人が多いですよね。何かポイントがあるんだと、こう見ておけばいいんだという。ロボットとかでも東大の國吉さんとかはそういうタイプだと思いますけれども、本当にそうなのか、どうなのかなというところがありますよね。こういうアルゴリズムで出来上がっていますよと言われて、それが実はゼネラルに何にでも対応できますよというのが実際に実験的に示されたら、ああ、なるほどそうなのかと思うと思うんですけど……。
よく分からないけれども共通原理みたいなものが何かあるんじゃないかなという気は、たぶんみんなしているわけですよね。
■うん、１つにはやっぱり冗長性が少ない部分が節ですよね。
○ええ。ここは変わっちゃだめだというところですよね。
■あるいは、もっと言えば、「変化している」部分ですかね。
○変化している？ ああ、時間的にってことですね。
■だから、ものすごく簡単に言えば、同じ情報、同じ状態がずっと続いているところというのは、どうでもいいわけですね。
例えばこういう文字でもそうですけど、変曲点というか、そこは重要だけど、同じ線が延びているところは別になくなっていいわけですね。
○ええ。先ほどの、変わっていく部分を聞いてれば分かるという話ですね。
ちなみにこれは「何とか現象」とか名前はあるんですか。
■いろいろな名前があります。「聴覚の補完現象」、あるいは「連続聴効果」と言う人もいるし、英語でも「illusory continuity」と言う人もいたり、「auditory induction」と言う人もいたり、「continuity illusion」と、いろいろな言い方がありますけど。言語音の場合に限っては、「音素修復」、英語なら「phonemic restoration」とも呼ばれます。
|
[10: 音声認識への応用可能性は？] |
■これは素朴な疑問なんですけど、そういうことが分かっているんだったら、音声認識は何で今の段階であまりうまくいかないんでしょうか。それを応用すればいいのに、と誰でも思うと思うんですが。
■音声認識の場合には、人間のやっていることはまったく別のアプローチで今日、発展しているわけです。
○今までのはそうですよね。
■というか、人間のやっていることを参考にしましょうというムーブメントは過去に何回かあったんですよ。ところがそれが必ずしもうまくいったとは言えない。要するに挫折の歴史なわけです。
○たとえば？
■例えば1980年ぐらいというのは聴覚フィルタによる音響分析。要するにそこに出したような普通の声紋じゃなくて、聴覚系は全然違うような形でスペクトルを表現していますから、それを忠実にやって音の分析をすれば、人間の聴覚に近いような音声認識ができるんじゃないかというふうな期待があった時代があるわけです。それでやってみても、結局、あまりうまくいかないんですね。
○どうしてですか。
■要するに、聴覚系全体の理解じゃなくて末梢のフィルタだけ変えてみたところで、そこに含まれている、例えばダイナミックな情報をどういうふうに抽出するかということが全然、手付かずのままでは、しょせんスペクトルがちょっと変形されているぐらいのことであって、あまり大したことにはならないわけです。
ところが、一方、計算機のパワーというのはものすごく発達してきたわけです。それで、1980年以降、下手に人間の聴覚なんかモデル化するよりは、もう計算機のパワーに頼った方がたぶん早いと。実際にそうなんですよ。だから、非常に音声を細かい断片に切って、その間の統計的な……。
○ああなるほどね。
■そうそう。学習してやった方がこれはもういいに決まっていると。聴覚とか何とか、そんなややこしいことを言うことはないという話になってきたんです。
それを突き詰めていくと、結局、雑音のないクリーンな環境で特定話者だったら、それはもう100％近く認識できますよという話になるわけです。ところが、じゃあ、雑音下でどうなんですかとか、不特定話者ではどうなんですかというような話になってきたときには人間には全然、及ばないけれど、用途を限ればそれでも十分じゃないですかというふうな話にもなってくると。
○ええ。
■だから、これは常に言われることですけど、そういうテクノロジーと人間の知見と結び付ければいいじゃないかと素朴には思えるんだけれど、現場レベルではそんな簡単なものじゃないですよということなんです。
つまり、人間の知覚がこうでしたと言われたって、それを実際にシステムに実装するとなるとまだまだステップはものすごくたくさんあるので、実際に、じゃあ、ここはどうするんだ、あれはどうするんだと言われたら、そこはもう分からないと言うしかないことが、いっぱいあるわけですよ。だったら、もう首尾一貫して、そんなややこしいモデルは仮定しないでやりますと言った方が、取りあえず実用性は高い。
○なるほどねえ。開発現場としてはそうなんでしょうね。
○次号へ続く…。
科学技術ソフトウェア
データベース
