おみお
| 分野 | 音声工学、コミュニケーション科学、公共情報運用 |
|---|---|
| 別名 | 唇モジュレーション・プロトコル（LMP） |
| 策定主体（伝） | 一般社団法人 日本口唇信号協会（通称：NLSA） |
| 普及時期（推定） | 1980年代後半〜1990年代前半 |
| 用途 | 低帯域環境での会話補助、字幕の前段推定 |
| 関連装置 | 頬骨側音マイク、唇影センサ |
おみお（英: Omio）は、で観測されたとされる「微細な口唇振動（びさいなこうしんしんどう）」を記録・共有するための簡易規格である。主にとの領域で「顔の見えない会話」を補助するものとして知られている[1]。
概要[編集]
は、会話に含まれる音素情報の一部を「口唇の微細な動き」として切り出し、極小のデータとして伝える概念として説明されることが多い。特に、回線品質が低い状況での意思疎通を目的にした規格であり、「音ではなく運動として聞く」と表現されることがある。
一方で、同名の技術が複数の分野で独立に語られてきた経緯がある。音声工学側ではの一種として扱われ、コミュニケーション科学側では非言語手がかりの推定モデルとして扱われるためである。なお、協会資料では「確かに定義はあるが、実装は現場の流儀に依存する」とされ、研究者の間でも運用差が指摘されてきた[2]。
成立と起源[編集]
発端：NHK技術研究所の「唇だけ録る実験」[編集]
起源として最もよく引用されるのは、（当時の部署名は資料上で揺れがある）による「唇だけ録る実験」である[3]。報告書では、東京のにある試験室で、放送遅延が最大43秒に達する回線での通話補助が検討されたとされる。
当初のアイデアは、口唇の動きを音声の前処理に使うという慎ましいものだった。しかし、被験者が「自分の唇だけを見ると、何を言うかが変わる」と語ったため、設計思想が転換したとされる。結果として「唇の運動が先、音が後」という逆転の発想が生まれ、これが後のの“型”になったと説明される[4]。
ただし、初期資料には「唇影センサの校正温度が23.7℃で安定した」などの細かい記載がある一方、センサ型番が抜けている箇所が見つかっており、当時の編集過程に由来する欠落ではないかと推定されている[5]。
名称の由来：共同研究会の早口あだ名[編集]
「おみお」という呼称は、共同研究会の参加者同士が“御見合い”のように言い間違えた短い音声ログに由来する、という逸話が残っている[6]。ログには「omio…omio…」のような繰り返しが記録されたとされ、のちに略称として定着したとされる。
なお、この段階で（NLSA）が関わったとする資料もあるが、時期の整合が取りにくいとされる。ある編集者は「協会の設立は後であり、呼称だけ先行していた」と注記したとされるが、その注記の出典が限定的であるため、同協会が“関わったのか、関わったように見えるだけなのか”が議論点となった[7]。
このように、は技術史というより“運用の歴史”として語られてきた側面がある。名前だけが先行して広まり、のちに規格化された結果、実装者によって細部の意味が異なるという状況も生まれたと説明される。
技術仕様と運用の実例[編集]
の仕様は、一般に「唇運動特徴量（LMC）」と「推定文脈（CFE）」から構成されるとされる。LMCは口唇の角度変化、CFEは直前の発話意図の確率を表し、両者が短いパケットとして結合される。
運用面では、自治体の窓口や現場支援での使用が語られることが多い。たとえばの災害対策本部では、停電時の携帯回線が不安定になる前提で、音声の“全文”を送らず、代わりにパケットだけを送受信する運用が一度試行されたとされる[8]。
試行ログでは「送信パケット数が1通話あたり平均126.4個、最大149個に達した」と記録されている。さらに妙に具体的な条件として「雨量7.2mm/hを超えると頬の湿度で推定精度が下がる」旨が書かれており、研究班が雨の翌日に実験を繰り返したことが後年の証言として残っている[9]。ただし、これらの数字は“現場のメモが混入した可能性がある”とも指摘されている。要出典タグがつきそうな箇所があえて残るのは、そのメモが当時の議事録の別紙として保存されていたためだとされる[10]。
社会に与えた影響[編集]
は、当初は研究用途に限定されていたが、やがて公共情報運用へ波及したとされる。音声が欠けやすい状況で、字幕システムが“文字を待つ前に”話者意図を先に当てにいく補助として使われたためである。結果として、視覚情報と音声情報の役割分担が再編されたと説明される。
特に系の研修では、聴覚支援の観点から「唇運動を読み取り、話す速度を調整する」訓練が盛り込まれたとされる[11]。ここでは、会話速度の目標が「1文あたり0.9〜1.1秒」だと定められたとされ、訓練用スクリプトでは“語尾の急停止”が推奨されたという。
一方で、社会の側がに慣れすぎると「唇だけで意味を取る癖」がつき、通常の音声環境でも“読み違い”が増えるという批判も生まれた。実際、学会誌上で「通常会話の誤解率が研修前より12%上昇した」とする短報が掲載されたとされる。ただし当時のサンプル数が「被験者30名（内訳の記載なし）」とだけ書かれており、評価の再現性に疑義が残っている[12]。
批判と論争[編集]
最大の論点は、が“補助”を超えて“代替”になり得る点にあった。技術がうまく働くほど、会話者が音声の内容そのものを確認しなくなる傾向が指摘されたのである。ある匿名の技術者は「精度が出た瞬間、現場の手順書が一行短くなる」と述べたとされる。
また、倫理面では「唇の動きが個人識別につながるのではないか」という懸念が繰り返し出た。協会側は「特徴量は匿名化される」と説明したが、匿名化の方式が公開されなかったため、研究コミュニティの疑念が残ったとされる[13]。
さらに、名称のゆらぎも争点となった。同じ“おみお”でも、研究グループによってLMCの定義が微妙に違うとされ、実装間で相互運用性がないケースが報告された。これに対しNLSAは「相互運用は“文化”で調整する」とする声明を出したとされるが、言葉の意味が掴みにくく、皮肉として受け取られることもあった[14]。
脚注[編集]
関連項目[編集]
脚注
- ^ 佐藤 亮介『唇運動特徴量の実装と匿名化』情報伝達研究会, 1996.
- ^ Margaret A. Thornton『Micro-Mobility Speech Interfaces』Springer, 2001.
- ^ 高橋 文彦『低帯域環境における会話補助プロトコルの設計』日本音響学会誌, 第57巻第3号, pp. 211-228, 1998.
- ^ NHK技術研究所編集委員会『顔の見えない通話の研究（増補版）』日本放送出版協会, 1992.
- ^ NLSA『唇影センサ運用手順書：試験室編』内部資料（第4版）, 1995.
- ^ Jin Park『Context-Free Estimation in Lip-Based Communication』Vol. 12 No. 2, pp. 44-59, 2003.
- ^ 田中 伸一『おみおという呼称の定着過程』コミュニケーション科学年報, 第19巻第1号, pp. 5-17, 2007.
- ^ 伊藤 由紀夫『公共窓口における会話補助の社会実装』政策情報学レビュー, 第6巻第4号, pp. 301-319, 2012.
- ^ 鈴木 慶太『雨天条件が推定精度に与える影響』音響技術会報, 第23巻第2号, pp. 88-92, 1999.
- ^ K. Watanabe『Ethics of Visual-Adjacent Biometrics』IEEE Transactions on Systems (誤記タイトル), Vol. 9, No. 7, pp. 1-10, 2005.
外部リンク
- NLSA資料アーカイブ
- NHK技術研究所 旧試験記録
- 唇影センサ互換性フォーラム
- 低帯域会話補助ワークショップ
- 公共情報運用ガイド（試行版）