[論文レビュー] Modal locking between vocal fold and vocal tract oscillations: Simulations in time domain

Atte Aalto, Tiina Murtola+3 more|arXiv (Cornell University)|Jun 3, 2015

Speech Recognition and Synthesis参考文献 71被引用数 4

ひとこと要約

本研究では、フィードバックを介して声帯動態と声帯路音響特性を結合する時間領域の計算モデルを提示する。このモデルは、150–320 Hzの範囲で[ a ]および[ i ]の母音スライドを模擬する。モデルは、[ i ]の第一声帯共振周波数（fR1）において基本周波数（fo）の強固なモードロックを示すが、[ a ]の共振分数ではロックが生じず、摂動が生じる。これは、発声におけるフィードバック駆動型動的結合の証明である。

ABSTRACT

During voiced speech, the human vocal folds interact with the vocal tract acoustics. The resulting glottal source-resonator coupling has been observed using mathematical and physical models as well as in in vivo phonation. We propose a computational time-domain model of the full speech apparatus that, in particular, contains a feedback mechanism from the vocal tract acoustics to the vocal fold oscillations. It is based on numerical solution of ordinary and partial differential equations defined on vocal tract geometries that have been obtained by Magnetic Resonance Imaging. The model is used to simulate rising and falling pitch glides of [a, i] in the fundamental frequency (f_o) interval [150 Hz, 320 Hz]. The interval contains the first vocal tract resonance f_R1 and the first formant F1 of [i] as well as the fractions of the first resonance f_R1/4 and fR1/3 of [a]. The simulations reveal a locking pattern of the fo-trajectory at f_R1 of [i] in falling and rising glides. The resonance fractions of [a] produce perturbations in the pressure signal at the lips but no locking. All these observations from the model behaviour are consistent and robust within a wide range of feasible model parameter values and under exclusion of secondary model components.

研究の動機と目的

• 声帯路音響から声帯にフィードバックする物理的根拠に基づいた、時間領域の完全な発声システムモデルの開発。
• 音響的共振とその分数が、周波数スライド中の声門源動態に与える影響の調査。
• 広範なパラメータ値のテストと二次的要因の除外により、モデルの頑健性の検証。
• 高解像度3次元声帯路音響および発声信号処理アプリケーション向けに、制御可能でチューナブルな声門パルス源の提供。
• フィードバック結合型力学系を用いて、フォーマント付近のfo軌跡における未解明の摂動、特にモードロックを説明すること。

提案手法

• 声門流、声帯振動、声帯路音響をモデル化する常微分方程式および偏微分方程式の数値的解法。
• MRIを用いた声帯路幾何形状を用いて音響領域を定義し、境界条件を伴う波動方程式の数学的解として共振周波数（fR1、fR2など）を計算。
• 声帯路圧力から声帯動態へのフィードバックの実装により、動的結合を可能にした。
• 150–320 Hzの範囲で[ a ]および[ i ]の上行および下行の周波数スライドをシミュレートし、[ i ]のfR1および[ a ]の共振分数をカバー。
• 実験的声門パルス波形に一致するようモデルパラメータを調整。神経的制御や動的VT幾何変化は明示的に含まない。
• 複数質量モデルを用いた声帯と、流体音響モデルを組み合わせ、現実的な発声および摂動を模擬。

実験結果

リサーチクエスチョン

• RQ1 声帯路から声帯への音響フィードバックが、第一フォーマント（F1）またはその共振周波数（fR1）で基本周波数（fo）のモードロックを誘発するか。
• RQ2 声帯路の共振分数（例：fR1/3、fR1/4）が、周波数スライド中の声門パルス摂動に与える影響は何か。
• RQ3 観察されたロック行動は、広範な妥当なモデルパラメータ値の範囲で頑健であり、二次的モデル要因に依存しないか。
• RQ4 本モデルは、ロック発生時における息声の変化といった特徴的な発声変化を再現できるか。
• RQ5 本モデルの挙動は、自然発声および先行する物理的・計算モデルの実験的観察とどの程度一致するか。

主な発見

• 上行および下行の周波数スライドの両方において、[ i ]のfR1にfoのモードロックが一貫して観察され、fo軌跡に特徴的な時間依存的パターンが示された。
• [ a ]の共振分数（例：fR1/3、fR1/4）ではロックが認められず、周波数ロックなしに一時的な摂動が声門圧力信号に生じた。
• ロック発生時には、声帯の発声状態に測定可能な変化が生じた：ロックの前後および期間中、息声が増加し、ロック期間中は息声が一定にシフトした。
• モデルの予測は、広範なパラメータ値の範囲で頑健であり、二次的要因（例：気管下・喉頭上効果）を除外しても一貫性を保った。
• シミュレートされた声門波形および流れのダイナミクスは、逆フィルタリングおよび物理モデルからの実験データとよく一致し、モデルの生理学的妥当性が検証された。
• 声帯路から声帯への音響フィードバックが、モードロックの発生に不可欠である。フィードバックなしでは、同様のロックは発生しなかった。