Loading article…
言語学、音声合成、音楽 において、音のピッチ輪郭とは、音の知覚されるピッチを時間経過とともに追跡する関数または曲線のことです。ピッチ輪郭は、多くのピッチを使用する複数の音を含む場合があり、ある時点の周波数関数と後の時点の周波数関数を関連付けることができます。
これは、言語における音調の概念の根幹をなすものであり、音声単位の音高、あるいは時間の経過に伴う音高の変化が、音の意味に影響を与える。また、音高アクセント言語におけるイントネーションを示す指標でもある。
音声合成技術、特に非声調言語における主要な課題の一つは、発話全体に対して自然な音高の輪郭を作り出すことである。不自然な音高の輪郭は、人間の聞き手にとって「生命感がない」あるいは「感情がない」ように聞こえる合成音声を生み出し、これは大衆文化における音声合成のステレオタイプとなっている。
音楽において、ピッチ輪郭は、演奏される音符の主要なシーケンスにおける時間の経過に伴うピッチの相対的な変化に焦点を当てます。ピッチ輪郭は、ピッチの急激な変化や、時間の経過とともに上昇または下降するピッチなど、その本質的な相対的特性を失うことなく移調できます。ポストトナル音楽の分析でよく使用されるマイケル・フリードマンの方法論[ 1 ]は、ピッチ輪郭を分析するために数値を割り当て、音楽ライン内の他のピッチとの関係で各ピッチがどこに位置するかを記譜します。最低ピッチには「0」が割り当てられ、最高ピッチにはn-1の値が割り当てられます。ここでnはセグメント内のピッチの数です。したがって、低、中、高のシーケンスに従う輪郭は、輪郭クラス0、1、および2としてラベル付けされます。
純音は明確な音高を持つが、音声や音楽などの複雑な音は、通常、多くの異なる周波数に強いピークを持つ。しかしながら、複雑な音の周波数関数に固定された基準点を設定し、関数が変化する際のこの基準点の動きを観察することで、人間の経験と一致する意味のある音高輪郭を生成することができる。
例えば、母音[e]には2つの主要なフォルマントがあり、1つは280～530Hz 、もう1つは1760～3500Hzでピークを迎えます 。人が複数の[e]音を含む文を話すと、これらのピークはこれらの範囲内で移動し、2つの事例間のピークの移動によってピッチ輪郭上の値の違いが決定されます。