定義
プロソディ（韻律）とは、言葉以外の部分で話し方の響きを形づくる、高さ、リズム、強勢、速さ、音量、間のパターンです。疑問、強調、感情、そして話し手がまもなく話し終えることを伝えます。
プロソディの仕組み
同じ言葉でも、話し方によって意味が変わることがあります。「来るの」は、上がれば質問になり、下がれば断定になります。強勢は文の焦点を動かします。「彼がそれを取ったとは言っていない」は、強調する語ごとに意味が変わります。速さと間は節の区切りを示し、ゆっくりと静かな話し方は、申し訳なさそうに、または真剣に聞こえます。
音声合成では、プロソディは明示的に解くべき問題の1つです。W3CのSSML仕様は、プロソディの解析を処理の1段階として挙げ、作成者が高さ、話す速さ、音量、間に影響を与えられるマークアップを定義しています。また、作成者が設定したプロソディと、プロセッサー自身が決めるものを混ぜると、プロセッサー固有の形で相互作用することがあり、システムによって結果が異なると警告しています。
ニューラル音声モデルは、録音された音声から、その多くを自力で学習するため、プレーンテキストから読んだ文でも、もっともらしい強勢とリズムをすでに備えています。そのうえで制御項目が調整します。多くのサービスは、リクエストごとに、話す速さ、音量、感情の設定を受け付け、返答を書いたLLMが、ターンごとにそれを選べるものもあります。
音声エージェントにとって重要な理由
プロソディは、返答が意図をもって話されたように聞こえるかを決めます。謝罪を平板に読んだり、事実を述べる文を上がり調子で言ったりすると、正しい回答でも、そっけなく、または自信なさげに聞こえることがあります。数字にもリズムが必要です。カード番号を短い間を置いてグループごとに読むほうが、途切れなく読むよりも、はるかに追いやすく、書き取りやすくなります。
逆方向にも働きます。人は、話し終えたことや、これから続けることを示すために、高さや間を使います。優れたターンテイキングの仕組みは、無音だけでなく、そうした手がかりを使えます。
プロソディは耳で判断します。平均オピニオン評点のような、聞き手による自然さの評価が、標準的な確認方法です。
例
音声への説明用の指示です。「残高は1,204ドルです」を落ち着いたペースで読み、「残高は」のあとに短い間を置き、文が終わったことを示すために最後の語で音を下げます。