音声区間検出

古典的な方法はエネルギーベースです。マイクの信号が一定時間しきい値より大きければ、話し声とみなします。この方法は、扇風機やキーボードの音、もう1人の話し声がある部屋では破綻します。現代のVADは、人の話し声とそれ以外を区別するよう訓練された小さなニューラルネットワークで、音声のチャンクごとに数ミリ秒で動きます。ノートパソコンで常時動かしても誰も気づかないほど軽い処理です。

出力は、話し声の区間と話し声でない区間の連続です。音声入力ツールは、最初の切り替わりで認識器を開始し、話し声でない区間が十分に長く続いたら、話し終えたと判断します。

ハンズフリーモードでは、まだ何も言っていないうちからツールが聞いています。信頼できる実装と気味の悪い実装を分けるのは、話し声ではなかった音声や、音声入力にならなかった話し声がどう扱われるかです。正しい答えは、保存せず、どこにも送らず、検出器が「ノー」と判断した時点で消えることです。VADをデバイス上で動かすツールはこれを約束できます。話しているかどうかを判断するためにサーバへ音声をストリーミングするツールには、それができません。

間を検出することは、考えの終わりを検出することとは違います。人は考えるために文の途中で間を置くので、VADで停止すると途中で切られてしまいます。間を長く設定すると、今度はツールの反応が鈍く感じられます。だからハンズフリーモードは途切れずに流暢に話す音声入力に向き、それ以外にはプッシュトゥトークが向いています。よいツールが両方を備えているのもそのためです。

音声検出器が判断する様子を見るのに、特別なソフトウェアは必要ありません。Appleの音声入力は30秒間音声が検出されないと自動的に停止するので、このルールを自分で発動させてみることができます。

1. 01 アップルメニュー→「システム設定」と選択し、「キーボード」をクリックしてから「音声入力」に移動し、オンにします。
2. 02 空のメモか書類をクリックします。
3. 03 音声入力のショートカットを押して、1文だけ話します。
4. 04 話すのをやめて、Macに触れずにそのままにします。
5. 05 音声がないまま30秒たつと、キーを押さなくても音声入力が終わるのを確認します。
6. 06 近くで音楽や扇風機を流して同じテストを繰り返し、お使いの環境で背景の音が結果を変えるかどうかを確かめます。

音声検出器は、与えられた信号でしか判断できません。違うマイクが選択されていたり、入力がとても小さかったりすると、声と部屋の音の区別がつきにくくなり、開始と停止の判断が悪くなります。ツールのせいにする前に、Macが実際に何を聞いているかを確認してください。

• 「システム設定」→「サウンド」で「入力」をクリックし、実際に話しているマイクを選択します。
• 同じ画面で、声が小さすぎる場合は入力音量のスライダを上げ、大きすぎる場合は下げます。
• Appleの音声入力の場合は、「システム設定」→「キーボード」→「音声入力」で「マイクの入力元」を確認します。「自動」にすると、使う可能性が最も高いデバイスをMacが選びます。
• マイクに近づくかヘッドセットを使い、声が部屋の音よりはっきり大きくなるようにします。
• 文の途中で考えるために間を置く場合は、そうした部分ではハンズフリーではなく、キーを押している間だけの方式かトグル方式を使います。

音声を待つツールは、待っている間ずっとマイクを開いておく必要があります。macOSはそれが起きているときに知らせ、そもそもどのアプリにそれを許可するかを決めさせてくれます。

1. 01 コントロールセンターを開いて、録音インジケータを探します。マイクが使用中か、最近使用されたときに表示されます。
2. 02 アップルメニュー→「システム設定」と選択し、サイドバーで「プライバシーとセキュリティ」をクリックします。
3. 03 「マイク」をクリックします。
4. 04 マイクへのアクセスを求めたアプリの一覧を確認します。
5. 05 聞き取る必要のないアプリは、アクセスをオフにします。