スペクトル包絡とは

スペクトル包絡は、音声が周波数ごとにどれだけの強さをもつかを示すグラフ（スペクトル）の、おおまかな輪郭です。細かなギザギザを無視し、山と谷の全体の形だけをなぞった線にあたります。

2つの成分に分けて見る

声は、声帯の振動で生まれた音が、のどから唇までの声道を通ることで作られます。母音のスペクトルを見ると、基本周波数の整数倍の位置に、細かな山が等間隔に並びます。これは声帯の振動による倍音で、微細構造と呼びます。その山の頂点を結ぶようななめらかな外形がスペクトル包絡で、主に声道の形による共鳴の特徴を表します。包絡に現れる山の位置がフォルマントです。

何が分かるか

声道の形は、舌や唇の動きによって、発音する音ごとに変わります。そのため、スペクトル包絡には、どの母音や子音を発音しているかという音韻の情報が強く表れます。一方、声の高さは主に微細構造の間隔に表れます。音声認識が包絡を重視するのは、話し手の声の高さが違っても、発音の違いをとらえやすいからです。

求め方

代表的な方法は2つあります。1つはケプストラム分析で、対数をとったスペクトルを逆フーリエ変換してケプストラムを求め、低い次数の成分だけを残して包絡を取り出します。MFCCもこの考え方にもとづく特徴量です。もう1つは線形予測分析（LPC）で、過去の標本の重み付きの和で次の標本を予測し、その係数から包絡の形を求めます。

音声合成での使い方

音声をいくつかのパラメータに分けて分析し、そのパラメータから音声を合成し直す仕組みをボコーダと呼びます。WORLDは、基本周波数、スペクトル包絡、非周期性指標の3つを推定し、それらから音声を合成します。包絡を変えずに基本周波数だけを変えれば、声質を保ったまま声の高さを変えられます。

覚え方

「細かなギザギザは声帯、なめらかな外形は声道」と覚えます。