[論文レビュー] Modal locking between vocal fold and vocal tract oscillations: Experiments and statistical analysis

Daniel Aalto, Jarmo Malinen+1 more|arXiv (Cornell University)|Nov 20, 2012

Speech and Audio Processing参考文献 12被引用数 4

ひとこと要約

本研究では、声帯の振動（f₀）と声道の一次共振周波数（F₁）の間の非線形なソース・フィルタ結合を、声帯と声道の計算的動的モデルと人間の母音スライド実験を組み合わせることで調査した。f₀がF₁を通過する際、特に上行のスライドにおいて、f₀がF₁にロックする現象が生じ、周波数ジャンプが発生することが示された。しかし、人間被験者では、この影響がアクティブな補正機構によって軽減されていることが明らかになった。

ABSTRACT

The human vocal folds are known to interact with the vocal tract acoustics during voiced speech production; namely a nonlinear source-filter coupling has been observed both by using models and in \emph{in vivo} phonation. These phenomena are approached from two directions in this article. We first present a computational dynamical model of the speech apparatus that contains an explicit filter-source feedback mechanism from the vocal tract acoustics back to the vocal folds oscillations. The model was used to simulate vocal pitch glideswhere the trajectory was forced to cross the lowest vocal tract resonance, i.e., the lowest formant $F_1$. Similar patterns produced by human participants were then studied. Both the simulations and the experimental results reveal an effect when the glides cross the first formant (as may happen in extipa{[i]}). Conversely, this effect is not observed if there is no formant within the glide range (as is the case in extipa{[ extscripta]}). The experiments show smaller effect compared to the simulations, pointing to an active compensation mechanism.

研究の動機と目的

• 人間の発声における非線形なソース・フィルタ結合の存在とその影響を調査すること、特に声帯周波数（f₀）が一次共振周波数（F₁）を通過する場合に焦点を当てる。
• 計算モデルが予測するように、母音スライド中にf₀とF₁の間でモードロックが生じるかどうかを特定すること。
• 声道共振からのフィードバックによって引き起こされるf₀の不安定性を軽減するための、生体的補正機構の役割を評価すること。
• シミュレーションと実験結果を比較し、観察された周波数ジャンプの違いを検証・理解すること。
• この結合が、声帯の変化が音高制御に影響を及ぼす可能性のある思春期における声の発達に与える影響を検討すること。

提案手法

• 声帯振動に声道の音響フィードバックを明示的に組み込んだ、発声装置の計算的動的モデルを構築した。
• 4質量モデルを用いた声帯と共振する声道フィルタを組み合わせ、f₀のスライドをF₁を通過するようにシミュレーションした。
• 女性被験者が制御されたf₀軌道に従って母音スライド（例：/i/）を発声した実験データを収集した。
• 混合効果モデルとダイナミックレンジ（DR）指標を用いた統計解析により、f₀ジャンプの有無とその大きさを評価した。
• モデルはサブハーモニクス（例：オクターブジャンプ）へのロックを予測したが、音高検出アルゴリズムが解析範囲を200–400 Hzに制限した。
• 上行と下行のスライドにおける遅延と非対称性を制御要因として考慮し、観察された不安定性パターンの違いを説明した。

実験結果

リサーチクエスチョン

• RQ1 f₀がF₁を通過する母音スライド中に、計算モデルが予測するようにf₀とF₁の間でモードロックが生じるか？
• RQ2 人間被験者の実験結果は、シミュレーションと比較してf₀の不安定性や周波数ジャンプの点でどのように異なるか？
• RQ3 人間におけるアクティブな補正機構は、シミュレーションと比較して、フィルタ・ソースフィードバックによる影響をどの程度軽減しているか？
• RQ4 上行スライドと下行スライドの周波数軌道が類似しているにもかかわらず、なぜ上行スライドの方が顕著な不安定性を示すのか？
• RQ5 観察されたf₀ジャンプの非対称性は、人間のシステムにおける制御遅延と聴覚フィードバック処理によって説明可能か？

主な発見

• シミュレーションでは、f₀とF₁の間で強く、かつ頑健なモードロック効果が確認され、f₀がF₁を通過する際に顕著な周波数ジャンプが発生した。
• 実験データでは、f₀の不安定性にやや弱いが検出可能な効果が観察され、人間発声における非線形なフィルタ・ソースフィードバックの存在を支持した。
• 上行スライドに顕著な不安定性が見られた非対称性は、下行スライドにおけるフィードバック制御の反応時間の長さに起因するとされた。
• 人間発話者に内在するアクティブな補正機構がf₀ジャンプを抑制している可能性が高く、これが実験とシミュレーションの間で効果量の差異を生じさせた。
• ダイナミックレンジ（DR）指標によると、現実世界のジャンプはシミュレーションほど急激ではなく、加速した音高移動に起因してDR値が1/3に近づいていた。
• モデルはオクターブジャンプ（サブハーモニクスロック）を予測したが、音高検出アルゴリズムが解析範囲を200–400 Hzに制限したため、これらの現象は除外された。