東京工科大学 メディア学部 ブログ

「ぱ」、「た」、「か」などの音は、一旦口を閉じないと発声できないのです。このような音声を「破裂音」と言います。口を一旦閉じ、風船を爆発させるようにして音を出すからです。このような音声では、一旦口を閉じたときに音が出なくなりますから、このような音の途切れができます。さらに「コギッテ」や「ポケット」などは小さいツがはいりますね？これは「促音」と呼ばれる音ですが、これらはさらに音が出ない時間が長くなるのです。

図の横軸の数値は秒を表しています。「ポケット」の小さい「ッ」の長さは約0.4秒あることがわかります。なので、音が終わったかどうかを判断するには0.4秒は待たないといけないのです。

マイクには、キーボードを打つ音、ドアが閉まる音、スマホに指やものが触れる音など、いろいろな音が入ってきますが、これらが「音声ではない」と判断する必要もあります。「カタカタ」スマホが何かにぶつかる音が入ったあと「音声検索」を調べようとしたとき、「カタカタ音声検索」を調べ始めたら困ります。

このように、みなさんが何気なく使っている「音声検索」には音声特有の音声検出の方法が工夫されているのです。この音声部分の検出のことをVAD (Voice Activity Detection)と言います。メディア学部の授業の１つであるメディア専門演習「音・音声インタフェース」ではVADのしくみをプログラムで作成する演習を行っています。

 

相川清明