A Situational Speech Synthesizer for Yoruba: System Design, Phonological Rule Architecture, and Orthographic Extensions for Contour

言葉の音楽：コンピュータにヨルバ語を歌わせる方法

言葉を一つの歌として想像してみてください。多くの言語では、メロディは隠れています。声のピッチを変えることはできても、単語の意味が変わることはあっても、書かれた文字自体は全く同じままです。しかし、西アフリカで数百万人もの人々が話すヨルバ語では、メロディが音符の中に直接書き込まれています。この言語は「トーン（声調）」、つまり高音、低音、そして上昇または下降するピッチを使用して、単語が何を意味するかを正確に伝えます。もし間違った音符を書けば、誤って「ライオン」ではなく「犬」と言ってしまうかもしれません。このことが、ヨルバ語をコンピュータにとってユニークなパズルにしています。通常、コンピュータにテキストを読み上げさせる（テキスト読み上げ、またはTTSと呼ばれる技術）とき、機械は数千時間の人間による音声から学んだパターンに基づいてメロディを推測しなければなりません。しかし、ヨルバ語のように「楽譜」がすでにテキストの中に書き込まれている言語の場合、コンピュータに推測させる必要はありません。ただ、コンピュータがその音符を完璧に読めるようにすればよいのです。

ここから物語は面白くなります。長い間、コンピュータはヨルバ語を自然に話すことに苦労してきました。なぜなら、学習するための録音された人間の音声が十分に足りなかったからです。それはまるで、楽譜を持たずに耳だけで複雑な曲を学ぼうとしているミュージシャンのようで、しばしばリズムを間違えてしまいます。では、推測する必要のないロボット・ミュージシャンを作ったらどうでしょう？ もし、人間によって録音されたあらゆる可能な音の組み合わせのライブラリと、次にどの音を弾くべきかを正確に知るための厳格なルールを与えたらどうでしょうか？ これは、大規模なオンラインのヨルバ語姓名辞典のために「声」を作ろうとした研究チームが取り組んだ課題です。彼らは、書かれた名前を受け取り、正確なピッチとリズムを導き出し、世界中のすべての名前を人間が録音する必要なく、即座に声に出して読み上げることができるシステムを必要としていました。

ロボット合唱団とルールの魔法

この論文は、ヨルバ語のために特別に設計された、ルールに基づいた巧妙なロボットの声であるTTSYorubaを紹介しています。このシステムを、聞くことで学ぶ「脳」としてではなく、巨大な録音済みサウンドクリップの箱を持った、非常に整理整頓された「司書」として考えてみてください。研究者たちは、あらゆる可能な子音と母音の組み合わせ（例えば「ba」、「de」、「go」）を5つの異なる音楽的トーンで発音する人間の声を録音しました。その結果、651個の小さなサウンドクリップのライブラリが出来上がりました。

魔法はルールの中で起こります。あなたが「Adébọ̀wálé」のような名前を入力したとき、コンピュータは単にクリップを順番に再生するだけではありません。それは指揮者のように振る舞います。コンピュータは文字の上にある音符（トーンマーク）を確認し、その「前」に来る音を確認します。ヨルバ語では、音のピッチは前の音に応じて変化することがよくあります。もし低い音が続く後に高い音が来ると、その高い音は実際には「スライド」して上昇し、上昇トーンのように聞こえることがあります。システムには特定のルールがあります。もし低い音の後に高い音が来るのを見つけた場合、標準的な「高音」のクリップを、特別な「上昇」サウンドクリップと入れ替えます。これは下降トーンについても同様です。これらの厳格な音楽的ルールに従うことで、コンピュータはクリップを縫い合わせ、ロボットが舌を鳴らすような音ではなく、流れるような文章として響かせることができます。

「N」の謎を解く

パズルの最もトリッキーな部分の一つは、文字の「n」でした。ヨルバ語において、文字の「n」は変幻自在です。時には単語の始まりにくる子音であり（「nọ́」のように）、時にはそれ自体が完全な音節となります（「ń」のように）。そして時には、音ではない、直前の母音が「鼻音（鼻に抜ける音）」であることを示すマーカーとなります。コンピュータにとって、これは同一の文字が混在する混乱した状態に見えます。

研究者たちは、これを解決するために「鼻音判別（Nasal Disambiguation）」システムを構築しました。それは、3つの質問を投げかける探偵のようなものです。

1. その「n」の上に音楽的な音符（トーンマーク）があるか？ もしあれば、それは独立した音節です。
2. その「n」は「i」や「u」のような特定の母音の間に位置しているか？ もしそうなら、それは鼻音マーカーであり、コンピュータは直前の母音の音を変えます。
3. それは単なる普通のコンソナント（子音）か？ もしそうなら、次の音の始まりとして扱います。

これらのルールを適用することで、システムは、そうでなければ間違った響きになってしまう名前を正しく発音し、鼻音化された母音と音節としての「n」を区別します。

新しい音楽記法：カロンとサーカムフレックス

ここで、論文は大胆で創造的な動きを見せます。研究者たちはある問題を発見しました。一部の名前には、単一の母音に対して「輪郭トーン（ピッチが上下する音）」がありますが、ヨルバ語の伝統的な書き方では、このために母音を重ねて書きます（例：「Níkẹ̀ẹ́」）。これは多くのネイティブスピーカーにとって奇妙に見え、不格好に感じられます。

チームは、コンピュータのキーボードには存在するものの、標準的なヨルバ語の表記ではこれまで使われてこなかった記号を使用して、これらの音を書く新しい方法を提案しました。上昇トーンにはカロン（「ǎ」のような小さなチェックマーク）、下降トーンにはサーカムフレックス（「â」のような小さな帽子）を使用します。

このように考えてみてください。長い二重音符のコードを2つの別々のキーとして押す代わりに、特別な「帽子」が付いた1つのキーを押すのです。コンピュータは、「ǎ」が「上昇音のクリップを再生せよ」という意味であり、「â」が「下降音のクリップを再生せよ」という意味であることを理解します。これにより、人々は奇妙な二重母音を使うことなく、一般的な綴りの通りに名前を入力でき、なおかつ完璧な音楽的ピッチを得ることができます。研究者たちは、50人の被験者に、古い「二重母音」方式で書かれた名前と、新しい「帽子」方式で書かれた名前を聴いてもらうテストを行いました。結果はどうだったでしょうか？ リスナーは両者の区別がつかないと答えました。彼らは両方のバージョンを、等しく自然で理解しやすいと評価しました。実際、一部のリスナーは、頭の中にある言葉のイメージにより近いことから、新しい「帽子」バージョンの方を好みました。

判定：良いスタートだが、完璧ではない

チームは、10個の名前をそれぞれ聴いた50人のボランティアを用いてシステムをテストしました。結果は有望でしたが、正直なものでした。コンピュータは「理解しやすさ（intelligibility）」において非常に高いスコアを獲得し、全員が正確にどの単語が話されているかを理解できました。しかし、「自然さ（naturalness）」のスコアは少し低めでした。リスナーは、その声を、友人とカジュアルにチャットしているというよりは、先生がクラスに向けて教科書を読んでいる時のように、少しゆっくりしていると表現しました。これは、システムが小さなクリップを繋ぎ合わせているため、すべての音節の間にわずかな不自然な休止が生じるためです。

論文は、このシステムが「できないこと」についても明確に述べています。複雑なリズムを持つ長い文章や、段落全体を通してピッチが落ちていく様子などは扱いません。これは、短い名前のために特別に設計されています。また、ユーザーが正しいトーンマークを入力することに依存しており、もしマークなしで入力すれば、ロボットはメロディを知ることができません。

結局のところ、この論文は、音楽が書き込まれている言語においては、歌を学ぶための巨大なAIの脳は必要ないということを示しています。必要なのは、優れたルールの備わった賢い司書なのです。このシステムは、ルールベースのアプローチがヨルバ語の複雑な音楽性を扱うことができることを証明しており、「帽子」や「チェックマーク」を用いた新しい記法は、名前の綴り方を変えることなく、これらの音をキーボードで扱いやすくするための実用的な方法を提供しています。これは、将来より優れた声を構築するための、堅実で機能的な基礎となるものです。