ピッチ情報とモーラ情報の関係

特定話者の単語の発声において、単語のモーラ位置、 モーラ数が決まればピッチ周波数がほぼ決まることが知られている [1]。 図2は、NTTの論文[1]から引用したもので、単一話者 が発声した5モーラ語2,800件のピッチ周波数平均値と分散を示している。 縦軸がピッチ周波数[Hz]、横軸が時間を表し、横軸はモーラ数で正規化してある。 表中の縦線がピッチ周波数の分散、記号◇はピッチ周波数の平均値を示す。 この図よりピッチ周波数の分散は非常に小さく、ピッチ 周波数は、単語に関係なく単語のモーラ数、モーラ位置で表現できることがわか る。 図2のモーラ数5の場合の各モーラ位置におけるピッチ周波数の分散を 表3に示す。

  

Figure 2: 5モーラ語2,800件のピッチ周波数平均値と分散

 

Table 3: 図1の各モーラ位置のピッチ周波数

モーラ位置	ピッチ周波数[Hz]
1	250〜340
2	280〜340
3	210〜280
4	160〜210
5	80〜170

 

表3からモーラ位置1のときピッチ周波数は、250〜340Hz、 モーラ位置4のときピッチ周波数は、160〜210Hzというように 単語のモーラ数とモーラ位置が決まることでピッチ周波数がほぼ決まることがわ かる。 4、6モーラ語も同様の傾向を示し、分散も5モーラ語 と同程度であったと報告されている。 このことから、母音の音素記号列を単語のモーラ数、モーラ位置を使い分類(ピッ チ情報を併用して分類)して学習、音素ラベリングを行うことで音素境界位置の 精度は向上すると推定される。 本研究では、母音の前に単語のモーラ数、後にモーラ位置情報を付け加え ることで母音を分類した。 母音の音素記号の変換例を図3に示す。 例1の音素記号列が「kimari」である場合、モーラ数は3なので母音の音素記号の前 方に3、母音の音素記号の の後方にそれぞれのモーラ位置を付け加えることで母音を分類する。 変換後、2番目と6番目の音素記号iは、3i1と3i3という音素記号に置き換えられ、モーラ 位置が違うため異なる音素記号となる。 データベース話者Aの母音をモーラ情報を使い分類したところ、全音素記号は26 種類(表4)から71種類(表5)へと増え、母音の種類 は5種類(a、i、u、e、o)から45種類になった。

  

Figure 3: 母音の分類例

 

Table 4: 分類前の全音素記号

a	i	u	e	o	b	ch	d	g
h	j	k	m	n	ng	p	q	r
s	sh	t	ts	w	z	zh	pau

 

 

Table 5: 分類後の全音素記号

1a1	2a1	2a2	3a1	3a2	3a3	4a1	4a2	4a3	4a4
1i1	2i1	2i2	3i1	3i2	3i3	4i1	4i2	4i3	4i4
1u1	2u1	2u2	3u1	3u2	3u3	4u1	4u2	4u3	4u4
1e1	2e1	2e2	3e1	3e2	3e3	4e1	4e2	4e3	4e4
1o1	2o1	2o2	3o1	3o2	3o3	4o1	4o2	4o3	4o4
b	ch	d	g	h	j	k	m	n	ng
p	q	r	s	sh	t	ts	w	z	zh
pau