音声認識や音声合成などの音声情報処理の研究において，音素の境界位置を示 す音素ラベリングデータは重要である．現在この音素ラベリングデータは，手 作業で作成されており，作成には多大な時間と労力を必要としている．このよ うな作業を軽減するため，大量の音声データを対象に自動的に音素ラベリング を行う自動ラベリングシステムが望まれている．
自動ラベリングの研究は，従来から多くの研究機関で行われている．HMM法と ベイズ確率を用いた統計的・確率的モデルによる方法[1]，ルー ルベースを用いる手法[2]，知識処理に基づく方法[3]な どが過去に報告されている．しかし，現段階の精度はまだ十分ではなく，さら に高い精度が要求されている．
ところで，音声信号は大きく２つの情報で構成されている．１つはフォルマン トで舌や喉の動きなどを表し音韻情報を多く含む．もう１つはピッチで声帯の 動きを表し個人情報や感情の情報を多く含む．この２つの情報を分離するため にケプストラム分析が良く利用される．この分析方法では，低次の項にフォル マントが，高次の項にピッチが抽出される．
現在の音声認識や音素ラベリングでは，特徴パラメータとしてフォルマント， つまりケプストラムの低次の項が利用される．しかし，ケプストラム分析をお こなった場合，ケプストラムの低次の項は，高次の項の影響を受けることが知 られている．つまり，フォルマントを計算するときに，ピッチが影響すること が知られている．一方最近の研究において，特定話者の単語発話において，単 語のモーラ位置および単語の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[4]. この関係を使用して，単語の音声合成におい て高い自然性を持った合成音声が得られることが確認されている．
本論文では、このピッチ周波数と単語のモ−ラ数および単語のモ−ラ位置の関係 を使うことで，フォルマントにおけるピッチの影響を分離できると仮定した．そ して，この関係を使用して自動ラベリングを行えば，音素境界位置の精度は向上 すると予想した．この予想を検証するため，本研究では，まず，母音・促音・撥 音を単語のモーラ数および単語のモーラ位置で分類して音素HMMの学習を行う． 次に，この音素HMMを使用して単語の音素ラベリングデータを作成する．最後に， 求められた音素境界位置と，人手によって付与された音素境界位置の差の標準偏 差を調べる．この標準偏差を単語のモーラ数およびモーラ位置を使用したときと 使用しないときで調べ，本手法の有効性を確認する．