○前回から続く…… （第６回）
|
[11: 音源分離はある程度できている] |
■それと同じような話だと、音源分離なんかもそうですよ。我々の研究所でも音源分離というのをテーマの１つでやっていますけど。
例えば純粋に理論的な問題として解こうとすると、複数の信号が混ざるときに、それをいかに分けるかという話ですけど、工学的に実用性が最も高いのはおそらく接話マイクなわけですよ。話し手のところにマイクを持っていってやっておけば、音源分離だの何だの言わなくても、その人の声が一番大きく入るわけですから、それでいいじゃないかと。それがやっぱり実用ということであって、そのときに人間は、いや、こうやっていますからなんて言ったって、それはしょうがないんですよね。
○まあ、それはそうなんですけど、僕らみたいに話してることを全部テープ起こしする人間からすると、早く何できないかと思うわけです（笑）。
■そうですね、そういうシチュエーションは十分考えられて。だから、例えばこのテープ起こしをすることに使えるようなシステムでしたら、例えばうちの研究所でもある程度できているんです。これを分離してそれぞれを書き起こすというのは、それぞれの声を別々にするということは、今でもある程度できると思うんですよ。
○え、ほんとに？ 是非お借りしたいですね（笑）。
■ただ、完全に認識してテキストに落としたときに、そのまま使えるレベルではもちろんないですけど、かなりいけると思いますけどね。
○まあ、機械を開発するよりライターを１人雇った方が早いということだったりするんでしょうね。
■そうそう。だからその辺は、結局、実用化ということになってくるとそういういろいろな現実的なファクターが強いので、必ずしも人間がこれを分からなければいけないなんてことにはならないんですけど。
まあ、我々はそう言ってしまうと身もふたもないので、別の部分では、テクノロジーというのは人間が分からなければできない部分も多々あるという信念の下に、もちろんこういうところで研究をやっているわけですから、それはだめですよとは全然言い切れないんですけど。
○言いきってしまうとヤバイですよね（笑）。
|
[12: 欠けている「音」を作り出す必要はない] |
○ところで、さっきの話ですけどね。雑音をかぶせたほうがブツブツ音が聞き取りやすくなるという話。
あれ、実際にやってみると、ノイズの部分でも音が聞こえるような感じがしますよね。脳が音を作ってるんでしょうけども、だいたいその音はどこから持ってきて、どんなふうに作っているんだろうというのが、僕が実に不思議だなあと思っているところなんですけど。
■だから、「音」というのは音響信号だと思うからそうなのであって……。
○……ん？ ああ、そうか、そうか。
■そうそう。この現象でもたぶん解釈は２通りあり得ますね。脳内でそこの欠けている部分に相当する音が実際にどこかで作り出されているという立場と、もう１つはそんなもの作り出す必要はないという立場とあると思うんですよ。
○はい。
■要するに、前者の立場というのは、ある種、脳内で外界に対応するような神経活動が起きなければ知覚できないと。知覚するということは外界のある種、コピーを脳内のどこかに作り出すことだという観点に立てばそうなんですけど、論理的に考えてみると別に知覚するということはそういうことじゃなくてもいい。
例えば、そこに音がないという証拠がなければ、まあ、あると仮定してもいいわけで、そこはあるかないか、そこのデータは一切使えないんだけど、残りの部分で認識が成立するならばそれでいいじゃないかということですね。だから、例えば冗長性、さっきから言うように「世の中は急に変わらない」と、それでこういうふうになっていますよと、その間はあるかないか分からないという状況だったら、普通にはそのままつながっていると想定するのが一番自然なわけです。なぜなら、そうじゃない想定というのは極めて確率的に低いだろうから。
○はい。物事は急には変わらないと仮定をおくわけですね。
■例えば、こういうふうに本当はここはないとしましょう。こことそっちにものすごくつながりのいい出来事があって、しかし本当は途中で終わっていて、その終わった瞬間に別の雑音が偶然にも入って、その雑音が終わった瞬間に、また偶然にも極めて前と相関が高いことが起きているという解釈もあり得るわけなんですけど、こういう可能性というのはかなり低いですよね。
○つまり、音と音が繋がってるっぽかったら、繋がってると判断する。
■そういうことですね。普通はつながっているものが、どこか邪魔されたと思うのがより自然な、つまり世の中でありがちなことであって、統計的にもそっちの方が非常に多いわけですよね。だったらそっちに張るわけで、別にここのところにデータが全部ないと、ここが何であるかが分からないかって、そんなことは全然ないわけです。要はここは切れていませんよということだけで十分だと。
○ええ。
■だとすると、あえて脳内で欠けている部分を作り出す必要もないし、ましてや入ってくる音としてそこに音がないのに、何で聞こえるかということじゃなくて。
さっきの「しんばし」の話じゃないですけど、我々が聞いているのはあくまでも音響的パターンから何かを抽出して、それとマッチングして頭の中に入っているものとマッチングした結果そうだと思っているだけのものですから、その結論を導くのに十分な証拠さえあれば別にいい。
○ふむ−−。
■だから証拠と犯人とを混同しているんですよ、多くの理論は。脳のゴールは犯人捜しであって証拠捜しじゃないんですよ――証拠捜しじゃないって言っても、知覚というプロセスは証拠捜しではあるんですけど、最終的に知りたいのは犯人なんです。で、犯人の遺留品とかというのはいっぱいあるわけ。音響信号というのは犯人の遺留品にすぎないんです。
○はい。
■犯人の遺留品がこうでしたと。例えばここに指紋があります、ここに犯行に使った凶器が落ちていましたとか何とかって断片的な情報が与えられるときに、それで犯人が特定できればそれでいいわけですよ。
ところが多くの議論というのは、ここに指紋があったら全部の指の指紋がないと犯人は作り上げられないとか、そんなようなことを言っているように聞こえるわけですね。別にそこから犯人を作り上げなくたって、犯人が一意に特定できさえすればいい。
○ふむふむ。なるほどね。もう、分かればいいんだと。そういうことですね。
|
[13: 「知覚」とは、いま何が起きているかを絶えず推定し続けるプロセス] |
○その、推測や判定みたいなことをやっているアルゴリズムが何かあるとして、それは今、どの程度まで分かってきているんですか。
■いや、それは、どの程度まで分かってきているかというと非常に難しいんですけど、１つにはやっぱり、環境内でよく起こることと、まれにしか起こらないことを反映した形で学習が起こっているということですよね。つまり、個々のイベントごとの特殊事情ではなくて、いろいろなものに対して一般的に成り立つことというのは、まずベースラインとして獲得されているだろうと。もしかしたら遺伝的に組み込まれている。要するに系統発生のレベルでも獲得されているかもしれない。
○ええ。
■例えば、世の中には不透明なものが多いから、手前にものが来たら奧にあるものは隠されます、ということは、これはたぶんかなり一般的な話ですよね。でもそれとて100％じゃなくて、じゃあ、これが透明だったらどうなるんですかとか、いろいろ例外はあるわけですけど。
それに加えて、特定の対象に固有な情報というのがあって、例えば「しんばし」と言うんだったら、人間の調音器官というのは、こういうふうにしか動き得ないので、「しんばし」という並びで「n」は言えませんとか、言うとむちゃくちゃ不自然なことになりますよというような、調音器官が動くときは絶対こうならなきゃいけないという、そういう偏りを学習するという部分はあるかもしれない。
○ええ。
■あるいは、極めて人工的に、まったく無関係な、本来関係ないものでも、とにかく一緒に現われるように現われるようにすると、ほんの数分の経験だけでけっこう長期的にそれらが結び付いてしまうということもある。とにかく、いろいろなレベルでの獲得の仕方があるのかもしれないけれども、やはりそういう外界の統計的な分布というものをいろいろな意味で獲得していると。
その獲得するプロセス自体が「可塑性」と呼ばれているもので、それは数百ミリ秒単位のものもあるし、数日、数年、数十年と、いろいろな時間スケールがある。「学習」とか「発達」とか言われているものは、さっき言った世の中の一般の確率分布を獲得するプロセスだし、「順応」とかあるいは「アテンション」などと呼ばれるようなものは、瞬間瞬間の世の中の偏りに適応するプロセスですね。
そういう偏りをとにかく絶え間なく学習しながら、それを使って今、何が最も起きていると思われるかということを推定し続けていくというプロセスだということだというふうには考えていますけどね。
○それが知覚だと。
■そう。それが知覚だと。
○次号へ続く…。
科学技術ソフトウェア
データベース
