音声認識や音声合成、話者識別などの音声AI技術では、人間の声に含まれる特徴を細かく分析しています。
その中でも特に重要な概念が**フォルマント（Formant）**です。
私たちは「あ」「い」「う」を無意識に聞き分けていますが、コンピュータにとっては単なる音の波形にすぎません。
その違いを認識するための重要な手がかりとなるのがフォルマントです。
近年は音声AIや音声クローン技術の進化によって、人間らしい音声を理解・再現する技術が大きく進歩しています。
その基礎技術として、フォルマントの重要性も高まっています。
本記事では、フォルマントの基本的な仕組みから、母音との関係、スペクトル包絡との違い、AIへの応用まで分かりやすく解説します。
フォルマント（Formant）とは
フォルマントとは、人間の発声時に声道（口や喉の通り道）で起こる共鳴によって強調される周波数帯域のことです。
簡単に言えば、「声の特徴を作り出す共鳴ポイント」です。
人間の声は次のような流れで作られます。
声帯の振動
↓
喉・舌・口を通過
↓
特定周波数が強調
↓
言葉として聞こえる声帯で作られた音が、そのまま外に出るわけではありません。
口や舌の形によって音が加工され、特定の周波数が強くなります。
この強調された周波数がフォルマントです。
フォルマントはなぜ生まれるのか
声道は、音響的には「フィルター」のように働きます。
例えば楽器でも、同じ弦の振動でも楽器の構造によって音色が変わります。
人間の口や喉でも同じ現象が起こっています。
以下のような発声動作によって共鳴特性が変化します。
- 舌の位置
- 口の開き具合
- 唇の形
- 顎の動き
こうした変化によって、どの周波数が強くなるかが変わります。
第一フォルマント（F1）と第二フォルマント（F2）
フォルマントには複数あります。
低い周波数から順に番号が付けられています。
- 第一フォルマント（F1）
- 第二フォルマント（F2）
- 第三フォルマント（F3）
- 第四フォルマント（F4）
この中でも特に重要なのがF1とF2です。
母音認識では、この2つが決定的な役割を持ちます。
F1は口の開き具合と関係する
第一フォルマント（F1）は、主に口の開き方や舌の高さと関係しています。
一般的には次の傾向があります。
- 口を大きく開く → F1が高くなる
- 口を閉じる → F1が低くなる
例えば「あ」は口を大きく開くため、F1が高くなります。
F2は舌の前後位置と関係する
第二フォルマント（F2）は、舌の位置と関係しています。
特徴は次の通りです。
- 舌が前 → F2が高い
- 舌が後ろ → F2が低い
例えば「い」は舌を前に出すため、F2が高くなる傾向があります。
母音はフォルマントの組み合わせで決まる
日本語の母音は次の5つです。
- あ
- い
- う
- え
- お
これらはF1とF2の組み合わせで区別できます。
簡単なイメージ：
| 母音 | F1 | F2 |
|---|---|---|
| あ | 高い | 中程度 |
| い | 低い | 高い |
| う | 低い | 低め |
| え | 中程度 | 高い |
| お | 高い | 低い |
人間の脳も、無意識のうちにこうした特徴を利用して音を聞き分けています。
AIも同様の仕組みを利用しています。
スペクトル包絡とフォルマントの関係
フォルマントを理解するうえで重要なのがスペクトル包絡です。
スペクトル包絡とは、音声の周波数成分全体をなめらかに表現した曲線です。
その上には複数の山が現れます。
イメージ：
▲ F2
/ \
▲F1 / \ ▲F3
__/ \__/_____\___/__この山のピークがフォルマントです。
つまり、
- スペクトル包絡 → 声全体の輪郭
- フォルマント → その輪郭上の特徴点
という関係になります。
フォルマントはどうやって求めるのか
実際の音声は連続的に変化するため、短時間単位で分析します。
一般的に利用される手法が**線形予測分析（LPC：Linear Predictive Coding）**です。
LPCでは、声道を数式モデルとして表現し、以下を推定します。
- フォルマント周波数
- 帯域幅
- 共鳴特性
音声圧縮や音声分析でも利用される代表的な手法です。
AI・音声処理における活用例
フォルマントは多くの音声技術で活用されています。
音声認識
音素や母音を識別する際の特徴量として利用されます。
処理例：
音声
↓
スペクトル分析
↓
フォルマント抽出
↓
音素推定話者識別
人によって声道の形状が異なるため、フォルマントの特徴も変わります。
そのため以下に応用されています。
- 音声認証
- 話者特定
- 個人識別
音声合成
人間らしい音声を作るためにはフォルマント再現が重要です。
例えば：
- 声の個性
- 性別差
- 話し方の癖
などを再現できます。
フォルマントが観測しにくいケース
フォルマントは常に明確に見えるわけではありません。
以下の状況では検出が難しくなることがあります。
子音
子音はノイズ成分が多く、共鳴ピークが不明瞭です。
雑音環境
周囲の騒音が大きい場合、フォルマント検出精度が低下します。
高速発話
早口になると音の変化が急激になり、分析が難しくなります。
まとめ
フォルマントは、人間の発話における共鳴周波数のピークを表す重要な特徴です。
特にF1とF2は母音認識において大きな役割を持っています。
ポイントを整理すると以下の通りです。
- フォルマントは声道の共鳴で生じる周波数ピーク
- F1とF2が母音識別の鍵となる
- 舌や口の形状と強く関係している
- スペクトル包絡上の山として観測される
- 音声認識、話者識別、音声合成で利用される
音声AIが人間らしさを追求するほど、フォルマントのような基礎技術の重要性は今後さらに高まっていくでしょう。
こちらもご覧ください：スペクトル包絡（Spectral Envelope）とは？音声認識・音声合成を支える仕組みをわかりやすく解説
