更新日 2010年2月13日
「恋声」のTD-PSOLAでどのようにピッチとフォルマントが変換されるかを、「恋音」を利用してスペクトログラムで見てみましょう。
図１ 初音ミクが歌う「きよしこの夜」（表示：-62dB〜-40dB） WAVファイル
図２ 「恋声」で「W→M」（Pitch -12、Formant -5）したもの（表示：-62dB〜-40dB） WAVファイル
|
ピッチ（基本周波数）はスペクトログラムの一番下の線で決定されます。最初の音「KI」は、図１ではF4(349Hz)、図２ではF3(174.5Hz)で、図２では図１に比べて１オクターブ下（半音単位で-12、周波数では50%）になっているのが分かります。
|
図３ Original W→M
(Pitch -12, Formant-5) |
次に、母音のフォルマントを見てみましょう。フォルマントとは共鳴周波数のことで、口の形や声道の形状で決まります。つまり、ピッチには依存しません。でも、「恋声」のスペクトログラムで見れるのはピッチ（基本周波数）の整数倍の周波数のみです。だから、図１からは直接的には正しいフォルマント周波数を知ることはできません。そこで、まず正解をみてみましょう。図４はPraatというフリーソフトを用いて初音ミクの歌を解析した結果です。水色がピッチで単位は右側の周波数です。赤は検出したフォルマント周波数です。単位は左側の周波数です。周波数軸はPraatではHz単位のリニア軸で、「恋音」では音階なのでLOGを取っていることに注意してください。（音階は12*log2(f/f0)で計算される。）
図４ Praatによる解析結果
図５は日本語の母音のフォルマントの分布を示したものです。横軸は第１フォルマントの周波数、縦軸は第２フォルマントの周波数です。図４のPraatの解析結果だけからは、第１フォルマント、第２フォルマントを正しく識別できないので、図５と見比べながら探していきましょう。 「い」の第１フォルマントは200〜400Hzの範囲にあるはずだから、一番下の赤のラインで372Hz(F#4)です。第２フォルマントは2500〜3200Hzの範囲だから、「KI」の発音では下から３番目、「SHI」の発音では下から２番目の赤のラインで、「KI」では3549Hz(A7)、「SHI」では3263Hz(G7)です。 同じようにして「お」をみていくと、Praatで第１フォルマントは一番下の赤のラインで636Hz(E5)、第２フォルマントは下から３番目の赤のラインで1392Hz(F6)です。「恋音」では基本周波数の２倍音、４倍音がそれぞれ第１フォルマント, 第２フォルマントに対応していそうです。（４倍音の方が第２フォルマント周波数に近いのに、３倍音の方が明るく見えるのはなぜだろう？ Praatの下から３番目を第２フォルマントとしたが、下から２番目1045Hz(C6)を第２フォルマントとすると、３倍音に一致して「恋音」の結果に一致する。でも、「お」の第２フォルマントが1045Hzでは右の図からは女声としては低すぎる・・・ けど、Vocaloidだから第２フォルマントが1045Hzが正解かもしれない。）
|
図５ 日本語母音のフォルマント |