音素とは

音素は、言葉の意味を分けている音の部品です。たとえば「かた（肩）」と「かさ（傘）」は、2文字目の子音が/t/か/s/かだけで別の語になります。このように意味の違いを生む音を1つずつ取り出していくと、その言語の音素の一覧ができます。音素は/a/や/k/のように、スラッシュで囲んで書きます。

波形ではなく、意味にもとづくまとまり

同じ音素でも、実際の音は話し手や前後の音、話す速さによって変わります。それでも聞き手は違いを気にせず、同じ音として受け取ります。音素は、こうした多様な音を1つにまとめた抽象的な単位です。実際に発音された1つ1つの音は単音と呼び、[k]のように角かっこで書きます。どの違いを別の音素として区別するかは言語ごとに異なります。その言語の音素がつくる体系は、音韻（音韻体系）とも呼ばれます。

かなやモーラとの違い

日本語のかな1文字は、多くの場合、子音と母音の2つの音素からできています。「か」は/k/と/a/の2つ、「あ」は/a/の1つです。かな1文字は、音素ではなく、おおむねモーラ（拍）という単位に対応します。モーラは、音素より大きな単位です。

音声認識での役割

従来の音声認識は、音声を音素の並びとして推定し、発音辞書で単語に結びつけていました。音素の数は多くの言語で数十個程度なので、数万の単語を1つずつモデルにするより、少ない種類で済みます。前後の音による変化を区別するため、前後の音素との組み合わせごとにモデルを分けるトライフォンも使われました。現在のEnd-to-Endモデルは文字を直接出力することが多いものの、音素は今も、音声合成で読みを表す入力などに使われています。

覚え方

「音素は、意味を分ける最小の音の部品」と覚えます。