ボコーダーVocoder

音作りは二つの部分に分かれます

文章を読み上げる技術を開けてみると、中が二つに分かれています。前段は文字を受け取り、どの発音をどれくらいの長さで、どんな高さで出すかを決めて絵のように書きます。後段はその絵だけを見て実際の波形を作ります。後段がボコーダーです。

あえて分けるのには理由があります。二つの作業は性格がまるで違うからです。前段は言葉の内容と抑揚を扱うので文章をよく理解する必要があり、後段は内容と関係なく音の質だけをうまく作ればよいのです。分けておけばそれぞれ別に学習させられますし、片方だけをより良いものに取り替えることもできます。

声を変える作業も簡単になります。計画表はそのままで配管だけ変えれば、同じ文章が違う声で出てくるからです。歌や楽器の音を扱う場面でも同じ構造が使われます。

設計図には抜け落ちているものがあります

前段が渡す絵には、時間ごとにどの高さの成分がどれだけ強いかが書かれています。ところが音の波がその瞬間どの地点を通っているのか、山と谷がどこに来るのかは書かれていません。計画表に水の量はあっても、水の流れの細かなうねりまではないのと同じです。

この抜け落ちた情報なしには波形を描けません。**ボコーダーの仕事の半分は、この空白をそれらしく埋めることです。**埋め方を誤ると音がつぶれたり金属音が混ざったりし、同じ絵から二度作っても微妙に違う音が出ることもあります。

以前はこの空白を決まった計算規則で埋めていました。速いけれどうなりが目立ちました。今は数多くの録音を聞いてきたモデルが「この絵ならたいてい波はこんな形になる」を身につけて埋めます。人の声と区別しにくい水準になったのは、この部分が良くなったおかげが大きいです。

波形はとても細かいです

設計図の一区切りはふつう数百分の一秒ほどを収めます。ところが実際の波形は一秒間に数万個の値が並ぶ列です。ボコーダーは粗い絵一枚を受け取り、それより何百倍も細かい列を作り出さなければなりません。

作り方は大きく二つあります。値を一つずつ前からつなげていく方式はとても自然ですが遅いです。一秒を作るのにそれより長い時間がかかれば、リアルタイムでは使いにくくなります。反対に一度にまとめて出す方式ははるかに速いですが、質が粗くなりやすいです。

今は二つの役目を分担させる方式が多く使われます。片方が波形を作り、もう片方がその波形が本物の録音らしいかを見分けて競わせると、速くて質の良い音が出てきます。

良し悪しが表れる場所

ボコーダーの質は特定の場所で目立ちます。息づかいや風の音のように規則のない音、歌の伸ばす音、音が始まって途切れる瞬間がそうです。ここが粗いと金属を引っかくような雑音や、水の中で話しているような響きが生まれます。

声ごとにも違います。学習によく使われた声の質は滑らかに出て、なじみのない質は揺れます。だから人ごとに違う声を扱う場面では、複数の声を幅広く学習したボコーダーを使うか、声の特徴を別に渡します。