更新日2005年12月12日

目次

音声信号処理の仕事ってどんなことかな

私達が意識しなくても、通信機器の中で自動的に音声信号処理の仕事はおこなわれています。人間の声はマイクで録るとアナログ信号となりますが、これを機械で扱いやすくするためにデジタル信号に換えます。このデジタル信号となった音声を、ノイズなどの不要な信号を取り除いたあと、相手にスムーズに送れるように小さく圧縮して送ります。受信側では圧縮された信号を復元し、聞き取りやすく加工して、最後はアナログ信号に戻して音声として聞かせます。
このように人がより快適におしゃべり(通話)できるようにしてくれる技術です。

携帯電話のしくみ

送信側

1. 人の声をアナログ信号からデジタル信号に変換します。
2. 邪魔になる音（ノイズやエコー）をカットして、音質をよくします。
3. 信号を伝送しやすいように圧縮して送ります。

伸ばしてもアナタの声 「音声伸長技術」

テープレコーダをゆっくり再生させると本人の声より低く、別人のように感じます。それは、声を単純に引伸ばして再生しているからです。 声の波形には、ピッチ(同じような波形が繰り返される周期)があります。ピッチを変えると、声の高さも変わります。この技術では、同じピッチのまま(声の高さを保ったまま)繰返すことで、本人の声のままゆっくり聞こえます。

ゆっくり再生しても会話がズレない 「遅延制御技術」と音のない瞬間を見逃さない「無音検出技術」

声を引伸ばしたからといって、テレビ番組の衛星中継のようにズレてしまったら、スムーズに会話を楽しむことができません。ゆっくり再生しても楽しく会話をするために「文章中の無音(音の無い瞬間)を使って、声のはじまりをなるべくそろえる」というルールを守っています。その無音というのは、「もしもしA子です昨日はどうもありがとう」という文章の中にも、無音があります。「もしもし(無音)A子です(無音)昨日はどう もありがとう」というように隠れています。その無音の瞬間を見逃さないのが「無音検出技術」です。また、声をそろえるための無音がない場合でも、違和感を感じさせないズレの最大値を決めています。ズレが1秒以上遅延する時には、少しずつ元の速さに戻すのですが、ゆっくり感を保ちながら違和感を感じさせないように戻しかたを工夫をしています。

どうやって声をはっきりさせているのかな（概要）

音声を横軸に周波数、縦軸に電力値であらわしてみると、複数の山を持つ波のような図形になります。人は電力値が高いほど聞きやすいのですが、音声は周波数が低い場合で電力値が高く、周波数が高くなるにつれて電力値は低くなる傾向があります。 これに対して、例えば図のような一定の電力値の雑音が周囲から聞こえてくると、電力値の低い音声は雑音の中に埋もれてしまいますので、主に高い周波数の電力値を高くして、人が聞きやすいようにしています。

「ゆっくりボイス」で必要になる「有声音」について

音の聞きやすさの市場調査

どういう音声が聞きやすいか、というのは人によって違うものです。
それを万人に丁度聞きやすいものにするには、どのような実験をしてデータを集めたのでしょうか。
そもそも「聞きやすさ」は人間が感じ取る感覚なので、機械で調べ、良い数値が出たからといって、必ずしも聞きやすいとは限らなかったそうです。毎日の開発では、研究員が何度も聞き比べ、聞きやすいかどうか判別 していますが、製品化までには何回か一般利用者に聞いてもらい、その意見も反映させながら、より聞きやすい音を作り上げていくそうです。
そこで、研究員とは別の一般のユーザである20代から80代の人達に「聞きやすさ」を調査しました。
その結果、ゆっくり過ぎても聞き取りづらいことが分かり、「万人に聞きやすいレベル」を見つけることができました。