コンテンツにスキップ

音声認識

出典: へっぽこ実験ウィキ『八百科事典(トンチンペディア)』
いまのは、声ではなかったことにします。
〜 音声認識 について、ある窓口の係員

音声認識(おんせいにんしき)とは、ある音を、正式に「音声」として認めることをいう。認められた音は、その時点から文字に書き写される資格を得る。認められなかった音は雑音のままで、どこにも書き写されず、出たところから少し離れたあたりで消える。

審査の順番を待つ窓口。この日は午後から雨だった。

音は、出ただけでは音声ではない。口から出た音であっても、それが音声であるかどうかは、聞いた側が決める。この決定を下す側を認識側と呼ぶ。古くは人の耳だけが務めていたが、20世紀の半ばからは機械も加わった。いまでは電話・スピーカー・自動車のなかに小さな認識側が置かれており、呼びかけられると、その音を音声として認めるか、聞かなかったことにするかを、一秒に満たない時間で決めている。

認められた音声は書き写される。書き起こしとは、音声がこの世に居たことを紙や画面に登録する作業で、登録された音声は、口から出て一秒もたたずに消えたあとも、文字としてそこに残り続ける。登録されなかった音声には、そもそも居たことを示す手段が無い。

認識の要件

[いじくる | はらわた]

音が音声として認められるには、次の三つを満たす必要がある。

  1. 口から出たこと
  2. 0.03秒より長く続いたこと
  3. 自分が音声であると思っていること

三つめの要件は確かめようがないため、実務では、音が出たあとに出した人が言い直したかどうかで判断する。言い直された音は、自分を音声だと思っていなかったものとして扱われ、認識から外される。くしゃみは三つの要件をすべて満たしているが、出した本人がすぐに「失礼」と言うので、取り下げたものとみなされる。

咳の扱いはもっと込み入っている。一回目の咳は要件を満たさず、二回目は審査中となり、三回目でようやく「咳払い」として認められることがある。これを「三咳の原則」と呼ぶ[1]。

音声学には無声音という分類がある。日本語では「か」「さ」「た」の子音などがこれにあたり、喉の声帯を震わせずに出される。名前のとおり声を持たないので、無声音は音声認識の窓口で毎回同じ説明を求められる。声が無いのに音声を名乗るのはどういうわけか、という説明である。

無声音の多くは、すぐ後ろに続く母音に付き添ってもらうことで認識を受けている。「さ」の「s」は、うしろの「a」が声を持っているので、二つで一つの音声として通される。ただし東京の言葉では、「です」「ます」の終わりの「す」の母音がしばしば声を失う。このとき「す」は付き添いの母音ごと無声になり、窓口に二人で並んで、二人とも説明を求められる。

日本語を話す人が一日に言う「です」と「ます」は合わせて数百回にのぼり[要出典]、そのたびに一つの「す」が審査をやり直している。窓口が混むのは、たいてい平日の午前中である。

機械による音声認識は、1952年にアメリカのベル研究所が作った装置から始まった。この装置は「オードリー」と呼ばれ、ゼロから九までの数字を言う声だけを、音声として認めた。それ以外の音は、どれほど長く続いても、どれほど自分を音声だと思っていても、オードリーの前では音声ではなかった。

1962年には、IBMの装置「シューボックス」が十六の単語を認めた。十の数字に、足す・引く・合計など六つの語が加わった。認められた音声は十年で六つ増えたことになり、一年に0.6ずつ増える計算になる。

この速さが続くと、日本語の仮名四十六字ぶんの音がすべて認められるには、残りの三十を0.6で割って五十年、つまり2012年までかかる。実際には一年早い2011年に済んだ。審査の列の最後に並んでいた「ん」が、待っているあいだ誰にも呼ばれず、そのまま通ったものとして扱われたためである。

電話の回線は、およそ300ヘルツから3400ヘルツまでの音しか通さない。人の声の高さを決める基本周波数は、男性でおよそ100から150ヘルツで、この範囲の外にある。つまり電話の声は、回線の入り口で自分のいちばん低いところを置いていくことになる。

それでも、受話器の向こうの人には、置いていかれたはずの高さが聞こえる。残った倍音の並びから、耳が勝手に基本周波数を補ってしまうためである。音声認識の分野ではこれを「耳の越権」と呼び、認識側が、通していないものを認めてしまう例として長く問題にしてきた。

カモメは、海の上では数を数えない。

置いていかれた基本周波数は、回線の入り口の近くにしばらく留まる。古い電話局の建物の床に耳を当てると、通話がすべて終わった夜中でも、低いうなりが聞こえることがある。

認識されなかった音

[いじくる | はらわた]

認められなかった音には行き場が無い。多くは出たところから一メートルほどで消えるが、なかには何度でも審査を受け直そうとするものがある。やまびこは、山に向かって発せられた声が山の側で認識を断られ、出した人のところまで差し戻されてきたものである。山が二度三度と差し戻すのは断る理由を毎回書き添えているからだが、その理由はまだ一度も聞き取られていない。

山。写真を撮った時点では、まだ誰も何も言っていない。

会議の自動書き起こしでは、「えー」「あのー」「まあ」が登録から外される。外された音は会議室を出られず、天井の近くに少しずつ溜まっていく。長い会議が終わったあとに天井の高さを測り直すと、始まる前より1センチメートルほど低いことがある。測った記録の余白には、たいてい「えー」と書いてある。

この記事について

[いじくる | はらわた]

この記事は、黙って読まれているあいだ、一字も音声として認識されていない。読者の頭のなかで鳴っている声は口から出ていないので一つめの要件を満たさず、どの窓口にも並んでいない。

もし時間があれば、あなたには、この節だけでも声に出して読んでほしい。そうすれば、この記事のうち少なくとも一節は、音声として書き写される資格を得る。もともと文字で書かれたものが改めて文字に書き写される資格を得るのは妙な話だが、手続きの上ではそうなる。

なお、この節を声に出して読んだ人の声のうち、最初の「こ」だけは、まだ審査が済んでいない。

  1. ↑ 四回目以降の咳は三回目の咳の続きとして扱われるため、新たに審査されることはない。

関連項目

[いじくる | はらわた]
Cookieは私達のサービスを提供するのに役立ちます。このサービスを使用することにより、お客様はCookieの使用に同意するものとします。