Syllable-timescale organization of auditory–motor feedback control

テーブルを指で叩きながら、完璧なリズムを保とうとしている場面を想像してみてください。次に、誰かがあなたの叩く音を録音し、わずかな遅延（ディレイ）を伴ってあなたの耳に再生している場面を想像してください。もしその遅延が「絶妙な」ものであれば、脳は混乱し、あなたのリズムは崩れ、あなたはめちゃくちゃに叩き始めてしまいます。これが「遅延聴覚フィードバック（DAF）」効果です。これは、科学者たちが音声の研究のために1950年代から利用してきた手法です。

数十年にわたり、研究者たちは奇妙なことに気づいていました。最も混乱を引き起こす遅延は、常に200ミリ秒（ms）付近であるということです。彼らは、これは「タ」や「バ」といった一つの音節（シラブル）を発するのにかかる時間とおよそ一致しているためではないかと推測しました。彼らは、脳には「自分が聞いた音が、期待していた音と一致しているか」をチェックするための固定された「タイマー」があり、もしその遅延が特定の200 msの窓（ウィンドウ）を乱すと、システムがクラッシュしてしまうと考えていたのです。

しかし、ここにひねりがあります。もし、脳には固定されたタイマーなど存在しないとしたらどうでしょう？ もし、脳の「タイマー」が、あなたが話す速さに合わせて伸縮する柔軟なものだとしたら？

これこそが、M. フロレンシア・アサネオとメキシコ国立自治大学のチームが解明しようとした謎です。彼らは単に推測しただけではありません。実験を行い、コンピューター上の脳を構築し、さらにはEEG（脳波）センサーを使って人間の脳の内部を覗き見ることで、この謎を解決しようとしました。

時計とのレース

まず、チームは15人の被験者を部屋に入れ、一連の音節（「タ・テ・ティ・ト・トゥ」）を、ゆっくりとしたリラックスしたペース（毎秒3音節）と、速い慌てたペース（毎秒6音節）の2つの異なる速度で唱えてもらいました。

彼らが唱えている間、研究者は、30 ms、80 ms、160 ms、240 ms、320 ms、400 msという異なる遅延を伴って、彼らの声を再生しました。そして、話し手がどれだけのミス（音節の繰り返しや順番の間違いなど）をしたかをカウントしました。

その結果は、「アハ体験」をもたらすものでした。

• 話し手が速いとき（毎秒6音節）、最も混乱を引き起こした遅延は80 ms前後でした。
• 話し手が遅いとき（毎秒3音節）、混乱は160 msでピークに達しました。

「最も破壊的な」遅延は、固定された200 msではありませんでした。代わりに、それは音声の速度と完璧に**連動（スケール）**していました。もしあなたが2倍速く話せば、脳が混乱する「スイートスポット」も2倍速くやってくるのです。これは、脳が硬直した固定タイマーを使用しているのではないことを示唆しています。その代わりに、脳は現在発音している音節の長さに一致する、柔軟な「窓」を使用しているようです。

コンピューター脳テスト

これが単なる偶然ではないことを確認するために、研究者たちは3種類の「コンピューター脳」（神経計算モデル）を構築し、どのモデルが人間の複雑なデータによって説明できるかを検証しました。

1. 「ポイント・バイ・ポイント」ロボット： このモデルは、あらゆる極めて微細な瞬間における音波を比較しました。これは人間の結果を再現できず、失敗に終わりました。
2. 「リズム」ロボット： このモデルはタイミングとリズムのみに注目し、実際の音の内容は無視しました。これも失敗しました。
3. 「音節（シラブル）」ロボット： このモデルは人間のように振る舞いました。彼は一ミリ秒ごとにチェックするのではなく、一つの音節が終了するのを待ち、その音の塊（チャンク）を単純な要約へと圧縮してから、それを期待していたものと比較しました。

**「音節ロボット」**だけが、実験結果を再現することに成功しました。このモデルは、脳が音をチェックする前に、音を音節サイズの塊としてグループ化していることを示しました。もし遅延がその特定の塊のタイミングを乱すと、脳はパニックに陥ります。このシミュレーションは、「音節」が音声制御における基本的な単位であり、聴覚フィードバックのための自然な「容器」として機能していることを示唆しています。

脳の「シーッ！」を聞く

最後に、チームは脳の中で何が起きているのかを知りたいと考えました。彼らは28人の参加者からEEG（脳波）を用いて電気活動を記録しました。

私たちが話すとき、脳は通常、耳に対して「シーッ！」という信号を送り、自分の声の音を抑えています。これは**音声誘発性聴覚抑制（SIAS）**と呼ばれます。これは、脳が「自分がその音を出していることは分かっているから、それほど大きく聞く必要はない」と言っているようなものです。

研究者たちは、この「シーッ！」という信号もまた、音節の速度に依存していることを発見しました。フィードバックの遅延が250 msに固定されていた場合、脳の抑制は、人々がゆっくり話しているとき（3 Hz）は強くなり、速く話しているとき（6 Hz）は弱くなりました。

これは、脳の予測と抑制の能力が、絶対的な時間の遅延だけでなく、その遅延が音節のリズムの中にどのように適合するかについても依存していることを裏付けています。もし遅延が音節のリズムを壊すと、脳の予測は失敗し、「シーッ！」という信号は弱まります。

結論

では、私たちは何を学んだのでしょうか？

• 主な発見： 脳は音声フィードバックを音節を中心に構成しています。脳は固定された200 msのタイマーではなく、話す速さに合わせて伸縮する柔軟な「窓」を使用しています。
• 否定されたこと： 脳が、あらゆるミリ秒において単純かつ連続的に音波を比較しているという考えや、話す速度に関わらず固定されたリズムに依存しているという考えです。データとシミュレーションは、これらのより単純なアイデアが機能しないことを示しています。
• 確信度は？： チームは収束的な証拠を持っています。彼らはこの行動を人間において測定し、コンピューターモデルによって（音節ベースのモデルのみが再現できたことを通じて）シミュレートし、対応する神経信号を脳内で観察しました。

この論文は、音声の謎すべてを解明したと主張しているわけではありませんが、音節が脳の音声制御アーキテクチャにおける重要な構成要素であるという強力で直接的な証拠を提供しています。それはまるで、脳は「塊（チャンク）」単位で話しており、もしその塊のタイミングを狂わせると、会話全体が躓いてしまうかのようです。