フォルマント周波数 (G検定)

1. 定義と概要

フォルマント周波数とは、音声を周波数ごとの強さで表した周波数スペクトルにおいて、いくつかの帯域でなだらかに高まる山の頂点が位置する周波数の値です。この山の連なりはスペクトル包絡（周波数ごとの強さの変化をなだらかな曲線で表したもの）と呼ばれます。

番号の付け方は単純で、周波数の低いものから順に第1フォルマント周波数（F1）、第2フォルマント周波数（F2）、第3フォルマント周波数（F3）……と呼ばれます。このうち母音の識別には、主にF1とF2の2つが用いられます。

なだらかな山そのもの、つまり強調される周波数帯域を指す概念がフォルマントです。声道の共鳴によってこの山が生まれる仕組み自体は、フォルマントという概念側の論点として扱われます。

フォルマント周波数は、あくまでその山がどの周波数に位置しているかを示す数値として扱われる立場にあります。両者は名前が似ているため、帯域を指すのか値を指すのかを区別して覚えておく必要があります。

2. 試験対策ポイント

まず重要になるのは、母音の識別がF1とF2の組み合わせで説明される点です。F1は口の開き具合（舌の高さ）に対応し、口を大きく開ける「あ」でF1がおよそ高くなり、口をすぼめる「う」で低くなる傾向があります。F2は舌の前後位置に対応し、舌を前に出す「い」でF2がおよそ高くなり、舌が後ろに位置する「う」などで低くなる傾向があります。

この対応関係を整理すると、次のようになります。

周波数	対応する口や舌の動き	高くなる例	低くなる例
第1フォルマント周波数（F1）	口の開き具合、つまり舌の高さ	口を大きく開ける「あ」	口をすぼめる「う」
第2フォルマント周波数（F2）	舌の前後位置	舌を前に出す「い」	舌が後ろに位置する「う」など

これらの数値は発話者や発話条件によって変動するため、具体的なヘルツ値としてではなく、相対的な高低の目安として扱われます。

F1を縦軸、F2を横軸にとった平面は母音チャート（フォルマント図とも呼ばれます）と呼ばれます。この平面に母音をプロットすると、あ・い・う・え・おがそれぞれ異なる位置に分布し、母音ごとの音響的な違いを2次元の図で表せる点が特徴です。数値の暗記よりも、口の開き・舌の位置とF1・F2の対応関係を理解しておくことが要点になります。

フォルマント周波数の抽出には、線形予測分析（LPC。過去の波形から次の波形を予測する計算手法で、声道の共鳴特性を数式としてモデル化し、スペクトル包絡上のピークを求める手法）が標準的に用いられます。

また、声道の形状、つまり口・喉・鼻腔の大きさや形には個人差があり、その差がフォルマント周波数のパターンに反映されるため、話者識別（声の特徴から話している人が誰かを特定する技術）で個人を特定する手がかりになります。抽出手法の名称と、母音識別・話者識別という2つの応用先をセットで覚えておくと、記述の見分けがつきやすくなります。

3. 関連概念との比較・相違点

フォルマントとの最大の違いは、指しているものが帯域か数値かという点です。フォルマントは声道の共鳴で強調される周波数帯域、つまりスペクトル包絡上に現れる山そのものを指す概念です。一方でフォルマント周波数は、その山の頂点が位置する具体的な周波数の値、すなわち第1フォルマント周波数（F1）や第2フォルマント周波数（F2）という数値表現を指します。

帯域という概念と、その位置を示す数値という役割の違いで区別されます。名称が近いために入れ替えて覚えてしまいやすく、定義文を読んだときにどちらを指しているかを見極める必要があります。

基本周波数（F0。声帯が1秒間に振動する回数で決まる、声の高さを表す周波数）との最大の違いは、何に由来し何を決めるかという点にあります。基本周波数は声帯の振動回数に由来し、声の高さ、いわゆるピッチを決めます。一方でフォルマント周波数は声道の形状、口の開きや舌の位置に由来し、音色や母音の種類を決めます。

2つの周波数を軸ごとに並べると、違いがはっきりします。

軸	フォルマント周波数	基本周波数
由来	声道の形状、口の開きや舌の位置	声帯が1秒間に振動する回数
決めるもの	音色や母音の種類	声の高さ、いわゆるピッチ
同じ母音を高い声・低い声で発した場合	位置関係はおおむね保たれる	声の高さに応じて変わる

この整理は、声帯が出す音を音源、声道をフィルタとみなす音源フィルタモデル（声帯が出す音が声道を通ることで声になる、という声の作られ方の考え方）にもとづいています。声の高さと母音の種類は独立に変化できるという関係が、この2つの周波数の違いから説明できます。

4. ビジネス・実務での活用シナリオ

音声認識・音声アシスタントの分野では、スペクトル包絡やフォルマント周波数のパターンを、音素（言語の意味を区別する音の最小単位）、とりわけ母音を推定する手がかりの一つとして利用し、音声をテキストへ変換する処理に活用しています。話者や録音環境が変わっても母音ごとのF1・F2の相対的な位置関係はおおむね保たれるため、認識精度を支える手がかりの一つになります。

話者認証・話者識別の分野では、コールセンターの本人確認やスマートスピーカーの声紋認証で、声道の形状差に由来するフォルマント周波数のパターンを、個人を見分けるための特徴量（識別や判定のために数値化した性質）として利用しています。声道の長さや太さは人によって異なるため、同じ母音を発してもフォルマント周波数のパターンには個人差が現れます。

音声合成・ボイスチェンジャーの分野では、基本周波数（ピッチ）とは別にフォルマント周波数を操作することで、声の高さを保ったまま話者らしさ、つまり音色を変化させ、別人の声質に近づける処理に応用しています。ピッチとフォルマント周波数を独立に操作できるのは、両者が声の異なる性質（高さと音色）に対応しているためです。

5. 要点まとめ

• フォルマント周波数は、フォルマント（声道の共鳴で強調される周波数帯域）のピークが位置する周波数の値で、低い順に第1フォルマント周波数（F1）・第2フォルマント周波数（F2）と呼ばれます。
• F1は口の開き具合（舌の高さ）、F2は舌の前後位置に対応し、この2つの組み合わせをF1-F2平面（母音チャート）上に配置すると母音ごとに異なる位置に分布します。
• 基本周波数（声の高さ）とは独立した音色・母音を決める周波数であり、音声認識の音素推定や話者識別の個人差の手がかりとして利用されます。

6. 確認問題