🤖 machine learning

Phylogenetic signal in marine mammal and bird vocalizations captured by audio foundation models: the limited benefit of domain-specific pretraining

本研究は、汎用的な学習済み音声基盤モデルが、分類群固有の事前学習を必要とすることなく、手作業による特徴量やドメイン特化型モデルを凌駕する形で、海洋哺乳類および鳥類の音声における深い系統発生学的関係を本質的に符号化していることを示している。

原著者： Víctor Rincón Yepes

公開日 2026-07-27

📖 1 分で読めます☕ さくっと読める

原著者： Víctor Rincón Yepes

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

家族の系譜が奏でる音

あなたは、あらゆる動物が独自の声を出す、巨大で騒がしい森の中を歩いているところを想像してみてください。ある者はさえずり、ある者は咆哮し、またある者は複雑な歌を歌います。長い間、科学者たちはこう疑問に思ってきました。「もし注意深く耳を澄ませば、その音だけで、誰が誰と親戚であるかを見分けられるのだろうか？」と。この問いは、科学における2つの大きな概念の交差点に位置しています。1つ目は、種がいかに変化し、何百万年もの時間をかけて枝分かれしてきたかという物語である「進化」です。2つ目は、動物の音を研究する「バイオアコースティクス（生物音響学）」です。

大きな謎は、動物の「家系図」がその声の中に書き込まれているかどうかという点です。2つの種が非常によく似た音を発している場合、それは彼らが近い親戚であることを意味するのでしょうか？それとも、単に同じように叫ぶ方法を学んだ隣人同士に過ぎないのでしょうか？これに答えるために、かつて科学者たちはピッチ（音の高さ）やノイズの「質感」といった基本的な特徴を見るために、単純なツールで音を測定していました。しかし最近、コンピュータは非常に賢くなりました。現在、私たちは「基盤モデル」と呼ばれる、人間の話し言葉、音楽、自然界の音など、何百万時間ものデータで訓練された巨大なAIプログラムを手にしています。これらのAIは、人間の聞き手のように、非常に深く複雑な方法で音を理解することができます。この論文が投げかける大きな問いは、「動物の家族について教えられていないこれらの超スマートなコンピュータが、音を聞くだけで、偶然にも進化的な関係性を認識することを学習してしまうのだろうか？」というものです。

研究：家族の系譜を聴く

この研究において、研究者たちは、現代のAIの「耳」が動物の家族に隠された歴史を聞き取ることができるかどうかをテストすることにしました。彼らは、2つの非常に異なるグループの動物に注目しました。32種の海洋哺乳類（クジラ、イルカ、アザラシなど）と、20種の鳥類です。

AIモデルを異なる種類の探偵だと考えてください。研究者たちは、膨大な録音ライブラリをAIに与え、異なる種の音がどれほど「似ている」かを測定するよう求めました。彼らは、これらの音の類似性スコアを、実際の「家系図」の距離（2つの種が共通の祖先を共有してから何百万年経過したか）と比較しました。

彼らは、音を分析する方法として4つの異なる手法をテストしました：

従来の方法 (MFCC): これは音を測るための基本的な定規のようなものです。手作業で作られた単純な特徴量に基づいています。
汎用AI (AST & CLAP): これらは、車のエンジンからポップソングまで、あらゆるものを用いて訓練された巨大な汎用AIモデルです。これらは動物については全く教えられていません。
特化型AI (BEATs-bio & BirdNET): これらは、動物の鳴き声や鳥のさえずりに特化して訓練されたモデルであり、家族のつながりを特定するのに適していることが期待されています。

大きな驚き：勝者は汎用モデルだった

結果は衝撃的なものでした。「従来の方法」（基本的な定規）は、動物の音と彼らの親族関係との間に、ほとんど関連性を見出すことができませんでした。それは、まるで紙の色を見ることで本を読もうとするようなもので、全く機能しませんでした。

しかし、汎用AIモデル（人間の音楽や話し言葉で訓練されたもの）は、驚くべきことを成し遂げました。彼らは強力なシグナルを見出したのです。研究者がクジラやイルカについて調べたところ、AIは、最近枝分かれした種は音が似ており、ずっと前に枝分かれした種は音が大きく異なっていることを判別できました。実際、クジラの家族においては、その関連性は信じられないほど強力でした。

ここでひねりがあります。特化型AI（鳥やバイオアコースティクス用に特別に訓練されたもの）は、汎用モデルよりも優れた結果を出すことはできませんでした。実際、鳥類に関しては、汎用モデルの方が鳥の専門家モデルよりも、家系図を見つけ出す能力がわずかに高かったのです。この論文は、モデルを動物に特化させて訓練することは、むしろ進化の大きな全体像を見る能力を低下させる可能性があると示唆しています。おそらく、深い構造よりも、微細なディテールや特定の種の名前といったラベルに集中しすぎてしまうためだと考えられます。

AIが実際に聴いていたもの

研究者たちは、AIが「大きな動物は低い声で、小さな動物は高い声を持つ」といった単純なことに気づいて、ズルをしていないかを確認したいと考えました。彼らは、AIが単にピッチ（音の高さ）を聞いているだけではないかを確認するために、特別なテストを行いました。答えはノーでした。ピッチを計算から除外しても、AIは依然として家族のつながりを見つけ出していたのです。

これは、AIがもっと微妙なもの、つまり呼び出しのスタイルを捉えていることを意味します。それは、言葉の形をどう作るかによって、たとえ囁き声であっても叫び声であっても、その人の話し方（アクセント）がわかるのと似ています。AIは、進化の「アクセント」を学習したのです。

混同：音が嘘をつくとき

この研究は、ルールを証明するいくつかの面白い例外も見つけ出しました。

似ている他人: ヒゲアザラシと北セミクジラは、9000万年前に枝分かれした親戚です。本来なら全く異なる音であるはずです。しかし、彼らはほとんど同じ音を発します！ AIは、彼らが古代の他人であるにもかかわらず、音が似ていることを指摘しました。これは、両者が同様の寒冷な環境に生息しており、水の中を伝わる低音の唸り声を出す必要があるためだと考えられます。
異なる親戚: レオパードアザラシとウェデルアザラシは、わずか1000万年前に枝分かれした非常に近い親戚です。彼らが似た音を発することを期待されます。しかし、彼らは全く異なる音を発します！一方は複雑で音楽的な水中歌を歌い、もう一方は低い唸り声を上げます。

これらの例は、進化が音に痕跡を残す一方で、環境が時に動物の声を劇的に変えさせ、彼らを他人のように聞こえさせたり、あるいは家族のように聞こえさせたりすることを示すものです。

結論

この論文は、動物の声に隠された進化の歴史を理解するために、動物専用のコンピュータを構築する必要はないということを教えてくれます。私たちの人間界の音で訓練された汎用AIモデルは、すでに動物の鳴き声に隠された「家系図」を聞き取る上で非常に優れています。それらは従来の単純なツールよりも優れており、驚くべきことに、動物向けに作られたモデルよりもさえ優れているのです。

研究者たちは、その秘密はAIを動物に対して訓練することにあるのではなく、これらの汎用モデルが音の複雑なパターンを理解するように構築されている仕組みにあるのではないかと示唆しています。彼らは、今後の実験では、これがAIの脳の構造によるものか、学習方法によるものか、あるいは訓練された音の多様性によるものかを検証すべきだと提案しています。しかし今のところ、メッセージは明確です。もしあなたが生命の歴史を音の中に聴きたいのであれば、汎用AIにそれを聴いてもらうのがよいでしょう。

技術要約：オーディオ・ファウンデーション・モデルによって捉えられた海洋哺乳類および鳥類の音声における系統的シグナル

問題提起
比較生物音響学における根本的な問いは、種間の音響的類似性が進化の歴史（系統的シグナル）を反映しているかどうかである。手作業で設計されたスペクトル特徴量（MFCC、スペクトルエントロピーなど）を用いた先行研究では、鳥類、カエル、魚類において緩やかな系統的シグナルが検出されているが、大規模な学習済みオーディオ・ファウンデーション・モデル（より豊かで高次元な音響表現をエンコードするもの）が、より強い系統構造を復元できるかどうかは不明なままである。さらに、一般的な汎用オーディオ・モデルと比較して、ドメイン特化型の事前学習（例：バイオアコースティクスや鳥類に特化したモデル）がシグナルの復元に必要であるかどうかも明らかになっていない。

手法
本研究では、マンテル検定（Mantel test）を用いて、海洋哺乳類と鳥類という2つの独立した放射進化群における音響距離行列と系統距離行列との相関を評価する。

データセット:
- 海洋哺乳類: Watkins Marine Mammal Sound Databaseから収集された、32種（鯨目および鰭脚類）計1,754件の録音。系統距離は公表された分岐年代（200万〜9,000万年前）から算出。
- 鳥類: xeno-cantoから取得された、7目20種、計607件の録音。系統距離はJetz et al. (2012) の時刻校正済み系統樹に基づく。
音響表現: 以下の4つの表現を評価した：
1. MFCCベースライン: 手作業による特徴量（105次元。MFCC、クロマ、スペクトル統計を含む）。
2. AST (Audio Spectrogram Transformer): AudioSetのイベントタグで学習された汎用トランスフォーマー（768次元）。
3. CLAP (Contrastive Language-Audio Pretraining): 対照学習を通じてオーディオ・テキストペアで学習された汎用モデル（512次元）。
4. BEATs-bio: 大規模なバイオアコースティクス・コーパスで微調整された、生物音響特化型エンコーダー（768次元）。
5. BirdNET: 約6,000種の鳥類を識別するように学習された鳥類特化型分類器（鳥類のみで評価）（1,024次元）。
分析:
- 音響距離は、L2正規化された種セントロイド間のコサイン距離として算出。
- マンテル検定（9,999回の置換検定）により、音響距離と系統距離の相関を評価。
- コントロール（制御）:
  - 次元数: 次元数が交絡因子となることを排除するため、PCAを用いてエンベディングを105次元のMFCC空間に投影。
  - 主要周波数: 主要周波数の距離を制御するために偏マンテル検定を実施。
  - 分類学的分割: 深い鯨類・鰭脚類の分岐から、鯨目内の微細な系統構造を分離するため、解析を鯨目内（26種）で再実施。
- 統計的比較: モデル間の性能（ $\Delta r$ ）を比較するために、ペア・ブートストラップ信頼区間を用いた。

主な結果

ファウンデーション・モデル vs. MFCC: 汎用ファウンデーション・モデル（AST, CLAP, BEATs-bio）は一貫して有意な系統的シグナルを復元したが、手作業によるMFCCは、海洋哺乳類の全データセットにおいて有意な相関を示さなかった（ $r = 0.040, p = 0.338$ $r = 0.040, p = 0.338$ ）。
- 海洋哺乳類において、ファウンデーション・モデルは $r \approx 0.40$ ( $p < 0.001$ ) を達成。
- 鳥類において、ファウンデーション・モデルは $r \approx 0.52–0.55$ ( $p < 0.001$ ) を達成。
ドメイン特化型事前学習: 特化型の学習がシグナル復元を向上させるという仮説に反し、ドメイン特化型モデルは汎用モデルを上回らなかった。
- 鳥類において、BirdNET ( $r = 0.361$ ) および BEATs-bio ( $r = 0.318$ ) は、汎用モデルである AST ( $r = 0.549$ ) や CLAP ( $r = 0.521$ ) よりも低い値を示したが、その差は統計的に有意ではなかった。
- すべてのファウンデーション・モデルはMFCCを大幅に上回ったが、ファウンデーション・モデル間で有意な差は見られなかった。
シグナルの特性:
- 鯨目内: シグナルは鯨目内において極めて強く（ $r \approx 0.74–0.82$ ）、モデルが微細な進化構造を捉えていることを示している。
- 周波数への独立性: 主要周波数を制御した後も相関は維持され（海洋哺乳類で $R^2$ の97%を保持）、このシグナルが単なる体サイズやピッチの代理指標ではないことを示唆している。
- 次元数: エンベディングを同じ次元数に投影した後も、MFCCに対するファウンデーション・モデルの優位性は維持された。これにより、この利点が単に高次元であることによるアーティファクトではないことが確認された。
収束と分岐: モデルは極端な音響的収束（例：ヒゲアザラシとセミクジラ：分岐9,000万年、低音響距離）および分岐（例：ヒョウアザラシとウェッデルアザラシ：分岐1,000万年、高音響距離）を正しく特定しており、生態学的圧力がどのように系統から音響的類似性を乖離させるかを物語っている。

意義と主張
本論文は、学習済みオーディオ・ファウンデーション・モデルが、独立した放射進化群にわたって進化情報をエンコードしており、手作業による特徴量が見逃してしまう音声の構造的特性（コール構造や時間的変調など）を捉えていると主張している。

決定的な点として、著者らは、ドメイン特化型の事前学習は、強い系統的シグナルを復元するために必要でも十分でもないと結論付けている。多様な非生物的オーディオ（AudioSetやウェブ上のオーディオ・テキストペア）で学習された汎用モデルは、バイオアコースティクスや鳥類分類に特化したモデルと同等、あるいは（鳥類の場合）それ以上の性能を示した。

ドメイン特化型モデルによる改善が見られなかった理由として、著者らは以下の可能性を提示している：

学習目的: 教師ありの種分類（BirdNETなど）は、系統解析に必要な段階的な類似性を崩壊させてしまう可能性がある。
アーキテクチャ: トランスフォーマーは、CNN（BirdNET）よりも長距離のスペクトロ・テンポラル構造をより良く捉えられる可能性がある。
データの広範性: 特化型の狭い学習コーパスは、広範な一般オーディオ・データセットに見られる表現の豊かさに欠けている可能性がある。

著者らは、現在のモデルではこれらの要因を分離できないことを明言しており、原因を特定するための次のステップとして、一般的なエンコーダーを取り出し、それを種分類のために微調整するという制御された微調整実験を提案している。実用的な教訓は、比較生物音響学において、汎用オーディオ・エンベディングは堅牢なツールであり、「ドメイン特化型」というラベルが自動的に系統解析への優位性を保証するわけではないということである。