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。

図: 5モーラ語2,800件のピッチ周波数平均値と分散

18#18

図よりピッチ周波数の分散は、モーラ位置に対するピッチ周波数の変動に 比べて非常に小さく、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 表に示す。

表: 図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、母音と撥音の音素を 単語のモーラ数、モーラ位置を使い分類して 学習、単語音声認識を行うことで ケプストラムにおけるピッチ周波数の影響を分離できると考え、その結果 単語音声認識の認識率は向上すると推定される。