発話タイミングのデータ駆動型適応による、聞き取り明瞭度のこっそりとした改善

Abstract

人間の話者はしばしば、難聴気味や第二言語話者である成人など、言語理解に課題を抱える聞き手に対して、発話を全体的にゆっくりにすることで対応する。しかし、この方略が実際に発話をより聞き取りやすくするのかどうかは、なお不明である。ここでは、機械生成音声の最近の進歩により発話速度をより正確に制御できるようになったことを活用し、特定の発話速度調整が理解をどのように改善し得るかを体系的に検討する。まず、逆相関（reverse-correlation）実験を用いて、目標となる母音対立（例：「緊張母音―弛緩母音」の区別）の前における発話速度の時間的な影響が、実際には「はさみの刃」のようなパターンとして現れることを示す。すなわち、文脈の前半と後半の時間窓で効果が逆になる。このパターンは、個人内でも、また母語が英語の聞き手およびフランス語、マンダリン語、日本語を母語とする英語の第二言語（L2）聞き手の間でも、驚くほど安定している。第二に、この発話速度の構造は、目標の母音対立に関するL2聞き手の理解を促進するだけでなく、母語聞き手もまた困難な音響条件下でこのパターンに依拠することを示す。最後に、データ駆動型のテキストから音声へのアルゴリズムを構築し、この時間的構造を新規の発話系列において再現する。さまざまな文と母音対立にわたり、聞き手は、そのような狙いを定めた減速が語の理解を改善していることに気づかなかった。さらに注目すべきことに、参加者は実際には理解の誤りを増やしているにもかかわらず、狙いのない全体的な減速という一般的な方略のほうを、より明瞭だと判断した。これらの結果は、困難な条件下では、発話速度への狙いを定めた調整が明瞭性（intelligibility）を大きく高める一方で、しばしば見過ごされることを示している。より一般的に、本論文は、機械生成音声のアクセシビリティを改善するためのデータ駆動型の方法論を提示し、発話理解の他の側面や、幅広い聞き手および環境に拡張できる。