Владимир Морозов - Язык эмоций и эмоциональный слух. Избранные труды

В качестве актуальных задач научно-технический прогресс выдвинул ряд проблем «общения» человека и машины (Ломов, 1966), и в частности – проблему устного ввода команд. Однако, несмотря на огромные усилия, которые затрачиваются учеными многих стран, проблема, например, автоматического распознавания речи до настоящего времени не решена удовлетворительно. По крайней мере, не создан автомат, способный распознавать (воспринимать и правильно фиксировать) человеческую звуковую речь во всем ее многообразии (включая видоизменения в связи с индивидуальными, половыми, возрастными особенностями дикторов, эмоциональным состоянием говорящего, наличием шумов, искажений и т. п.) с такой легкостью и надежностью, как это производит слуховой анализатор человека.

Вокальная речь мастеров, как нами показано, имеет достаточно высокую степень разборчивости, несмотря на весьма значительные отличия в акустическом строении от обычной речи, и в особенности по спектральным и временным характеристикам. Как нам представляется, это уже дает основание для того, чтобы пересмотреть значение этих характеристик для автоматического распознавания речи, по крайней мере, в той части, которая касается выделения инвариантов этих характеристик для разработки системы автоматического распознавания.

В последнее время самостоятельное прикладное значение начинает приобретать проблема автоматического распознавания эмоционального состояния человека по звуку его голоса. Как показало обсуждение этого вопроса на первом симпозиуме «Речь и эмоции» (Ленинград, 1974 г.), проблема эта имеет много прикладных аспектов и не меньшее число трудностей на пути своего удовлетворительного решения.

Мы позволяем себе надеяться, что наши исследования по выделению инвариантных характеристик эмоций в пении (Морозов, 1977 а , гл. 10) могут способствовать решению этой проблемы. Эта надежда основана на нашем убеждении, что акустические средства выражения эмоций в речи и пении в основе своей едины, подобно тому как един фонетический код для речи и пения, несмотря на всю специфичность вокальной речи по сравнению с обычной разговорной речью.

Эмоционально-эстетическое воздействие вокальной речи на слушателя обуславливается не только ее невербальными средствами (интонационно-тембровыми особенностями голоса певца, музыкой, зрительным восприятием поющего и др.), но и смысловым (вербальным) содержанием произведения (песни, романса, оперы), созданного композитором, как правило, на слова поэта.

В этой связи важной составной частью языка эмоций в пении является дикция, т. е. особенности произношения певцом вокальной речи, обуславливающие ее разборчивость и, следовательно, доступность для понимания и сопереживания слушателями.

В данной работе нами впервые был применен метод оценки (измерения) разборчивости вокальной речи с помощью слоговых артикуляционных таблиц ГОСТ 7153-61 (Морозов, 1961, 1963 а , 1963 б , 1964 г ), применяемый инженерами-акустиками для оценки качества телефонной связи (Покровский, 1962).

Известно, что вокальная речь многих певцов отличается весьма неудовлетворительной разборчивостью. Характерны в этом отношении высказывания известного оперного певца Э. Карузо (см. эпиграф). Низкая разборчивость вокальной речи породила, по-видимому, обычай печатать в программе спектакля краткое содержание оперы.

В вокальном искусстве и искусстве сценической речи разборчивость обычно обозначается термином дикция (Станиславский, 1955). Вместе с тем термин дикция включает в себя более широкое понятие, чем термин разборчивость, так как связан и с художественно-эстетическими особенностями произношения.

Для улучшения разборчивости обычно даются советы в различных руководствах по пению (Садовников, 1958; Виноградов, 1967), однако советы эти касаются лишь отдельных, частных сторон произношения и не вскрывают общих закономерностей этого явления. Недостаток этот вызван, главным образом, отсутствием точных количественных методов исследования разборчивости вокальной речи: последняя обычно оценивается лишь приблизительно, в качественных терминах (хорошая, плохая).

Начиная с 1960 г. мы предприняли ряд исследований (Морозов, 1961, 1963 а , 1963 б , 1964 г , 1969, 1970 а , 1970 б ) с целью изучения причин плохой разборчивости речи в пении. В этих исследованиях нами был разработан и применен метод количественного измерения разборчивости вокальной речи.

За основу этого метода нами был взят метод слоговой разборчивости (или слоговой артикуляции), обычно применяемый инженерами связи для оценки качества речи, передаваемой по линиям радиосвязи (Покровский, 1962). Как известно, сущность данного метода состоит в том, что диктор читает артикуляционные таблицы, а группа слушателей (артикуляционная бригада) слушает и записывает то, что слышит. Число правильно записанных слушателями слов (или слогов), выраженное в процентах по отношению ко всем словам, прочитанным диктором, и составляет количественную меру разборчивости речи данного диктора в данных условиях передачи [11] Как правило, таким методом оценивается не качество речи диктора, а качество тракта связи, при этом предполагается, что речь диктора обладает нормальной разборчивостью, а слушатели – нормальным слухом. В известной мере это предположение оправдывается соответствующим подбором и тренировкой диктора и слушателей. . В теории и практике разборчивости речи находят применение методы фразовой, словесной, слоговой и звуковой артикуляции, между которыми существуют определенные количественные соотношения (Покровский, 1962), позволяющие расчетным путем определить фразовую разборчивость на основании разборчивости другого вида.

В качестве первых предварительных опытов нами были проведены исследования разборчивости вокальной речи непосредственно по методу фразовой артикуляции в естественных условиях. При выступлении певца в концертных условиях производилась запись на магнитофон исполняемых им вокальных произведений [12] Запись производилась в Малом зале им. А. Г. Рубинштейна Ленинградской консерватории. . В дальнейшем эти записи воспроизводились группе слушателей, незнакомых с данными произведениями. Им предлагалось записать текст произведений. Воспроизведение осуществлялось небольшими отрывками, включающими 3–4 слова, с тем чтобы слушатели могли успеть записать то, что слышат. В результате было обнаружено, что слушатели записывают правильно от 20 до 70 % всех слов вокальных произведений. Процент разборчивости оказался сильно зависящим от характера музыкального произведения: его темпа, ритма, тесситуры (т. е. доминирующей высоты звука), интенсивности музыкального сопровождения и, по-видимому, индивидуальных особенностей произношения обследуемых вокалистов. В общей форме удалось установить, что разборчивость вокальной речи у женщин значительно ниже, чем у мужчин. Было высказано предположение, что различие это объясняется большей высотой основного тона женского голоса (у женщин основной тон на октаву выше, чем у мужчин). Поэтому в качестве одной из очередных задач возникла необходимость измерения зависимости разборчивости вокальной речи от высоты основного тона. Этот вопрос представляет определенный интерес и для обычной разговорной речи. В доступной нам литературе не удалось найти указаний на исследования этой зависимости.