音声匿名化技術では、話者本人らしさを保ちながら個人を特定できる特徴だけを変化させることが重要になります。Voice Privacy Challenge 2024などで扱われるMcAdams係数を用いた手法は、声道特性に関係するスペクトル情報を変換することで、話者性を低減する代表的なアプローチの一つです。
この記事では、LPC（線形予測符号化）がなぜ声帯音源と声道特性の分離に利用できるのか、LPCからフォルマント周波数を求める流れ、さらに極の偏角を変換するMcAdams係数による匿名化処理を数式を交えながら解説します。
LPC分析で音声を声帯音源と声道特性に分けて考える理由
人間の音声は大きく分けると、声帯によって作られる音源信号と、声道（喉・口腔・鼻腔）の形状によって変化するフィルタ特性の組み合わせとして考えることができます。
音響的には、発声された音声信号x(t)は、音源信号e(t)が声道フィルタh(t)を通過したものとして、次のように表現されます。
x(t)=e(t)*h(t)
周波数領域では畳み込みが掛け算になるため、X(z)=E(z)H(z)となります。この考え方により、音声から声道の共鳴特性を推定することが可能になります。
ただし、実際には声帯音源と声道特性を完全に分離することは困難です。LPCは、音声生成モデルを仮定し、声道特性をAR（自己回帰）モデルとして近似することで、話者特徴を含むスペクトル包絡を推定する手法です。
LPCの基本的な数式と線形予測の考え方
LPCでは、現在のサンプルx(n)を過去のサンプルから予測します。予測値は以下のように表されます。
x^(n)=-Σ(k=1〜p) a(k)x(n-k)
ここで、a(k)はLPC係数、pは予測次数です。実際の信号との差分である予測誤差e(n)は以下になります。
e(n)=x(n)-x^(n)
この誤差が声帯による励振信号に近いものになると考え、LPC係数によって声道フィルタを推定します。
推定された声道の伝達関数は、一般的に次の形で表されます。
H(z)=1/(1-Σ(k=1〜p)a(k)z^-k)
この分母多項式の根（極）が声道の共鳴周波数、つまりフォルマントに対応します。
LPCからフォルマント周波数を求める流れ
LPC分析後、フォルマントを求めるには伝達関数H(z)の極を計算します。極は分母方程式を0にするzの値です。
1-Σ(k=1〜p)a(k)z^-k=0
この方程式を解いて得られる複素極をp=r e^(jθ)と表すと、θが共振周波数に対応します。
サンプリング周波数をFsとすると、フォルマント周波数Fは次式で求められます。
F=(θ/2π)×Fs
また、極の大きさrは共鳴の鋭さを表し、声道共振の帯域幅に関係します。一般的に、フォルマントは複素共役となる極のペアとして現れます。
McAdams係数による音声匿名化の仕組み
McAdams係数を用いた匿名化では、LPCで得られた極の角度成分を変化させることで、声道形状に由来する特徴を変換します。
元の極を次のように表します。
p=r e^(jθ)
ここでMcAdams係数αを用いると、変換後の極は以下のようになります。
p’=r e^(jαθ)
つまり、極の半径rは維持したまま、偏角θだけをα倍します。
この操作によってフォルマント周波数は変化します。元の周波数Fは、変換後には概念的に以下のような関係になります。
F’=αF
ただし、実際の処理では周波数領域で単純に全てをα倍するわけではなく、極の位置を変換した後に新しいLPCフィルタを再構成し、音声を合成します。
匿名化前後の音声を数式で表す考え方
匿名化前の音声は、推定されたLPCフィルタH(z)と励振信号E(z)によって表現できます。
X(z)=E(z)H(z)
匿名化では極を変換した新しいフィルタH'(z)を作ります。
H'(z)=1/(1-Σ(k=1〜p)a'(k)z^-k)
ここでa'(k)は、McAdams変換後の極から再計算されたLPC係数です。
したがって匿名化後の音声は、
X'(z)=E(z)H'(z)
として表現できます。
重要なのは、McAdams係数αは直接音声信号へ掛ける係数ではなく、声道フィルタの極配置を変化させるパラメータである点です。
McAdams変換が話者識別を低下させる理由
話者認識では、声道形状によるフォルマント配置が重要な特徴量として利用されます。人によって口腔や喉の形状が異なるため、同じ文章を話しても異なるスペクトル特徴になります。
McAdams変換では、このフォルマント構造を変化させることで、元話者固有の特徴を弱めます。
例えば、同じ人物が発声した音声でも、フォルマント位置が変化すると話者認識モデルから見る特徴ベクトルが変わり、本人識別が難しくなる可能性があります。
一方で、言語情報や発話内容まで大きく壊さないことも重要です。そのため、匿名化技術ではプライバシー保護と音声品質のバランスを調整します。
まとめ
McAdams係数を用いた音声匿名化は、LPCによって推定した声道フィルタの極配置を変換することで、話者性を低減する技術です。
LPCは音声を完全に声帯音源と声道特性へ分離するものではなく、音声生成モデルに基づいて声道特性を近似する方法です。その結果得られる極がフォルマントに対応し、McAdams係数によって極の偏角を変えることで匿名化が行われます。
数式として理解する場合は、元音声をX(z)=E(z)H(z)、匿名化後をX'(z)=E(z)H'(z)として考え、αはH(z)の極配置を変換するパラメータと捉えると整理しやすくなります。
コメント