声から働く人の状態は読み取れるか

「今日はなんだか声に元気がない」。そう感じてオンライン会議の相手や部下を気にかけた経験は、多くの人にあるはずです。声は表情や姿勢よりもさりげなく状態を映すサインだと考えられていますが、それを技術として測り、数値にできるのかというと話は別です。会議や日常業務の音声から、ストレスや疲労といった状態を推定できるのかを、音響特徴量研究の到達点と限界から検証します。

なぜ「会議での声」に注目が集まるのか

働く人の状態を把握しようとするとき、現場ではいくつもの壁があります。

• 本人の自己申告やアンケートは、答える側の負担になり、頻繁には聞けない
• 脳波計や心拍センサーは装着の手間があり、日常業務の中で常時つけ続けるのは難しい
• 疲労やストレスは本人も無自覚なことがあり、周囲が気づいたときには深刻化していることがある

こうした事情から、特別な機器を新たに装着させずに拾える信号として、声への関心が高まっています。実際、声から精神状態を自動評価しようとする研究は、2020年時点ですでに10年分の蓄積がありました。ある系統的レビューは、2010年代に発表された、音声を使ってDSM-5（精神疾患の診断基準）に含まれる疾患の有無や重症度を推定しようとした研究を対象にまとめています^[1]。

すでに10年以上の研究の蓄積がある

このレビューでは、1,395件の研究がスクリーニングされ、うち127件が採用基準を満たしました。対象の多くはうつ病・統合失調症・双極性障害に関する研究で、残りは心的外傷後ストレス障害・不安障害・摂食障害に関するものでした^[1]。声を手がかりに人の内面の状態を読み取ろうとする試みは、すでに一つの研究領域として積み重ねられてきたのです。

声を測る「共通のものさし」という発想の転換

とはいえ、声から状態を読み取る研究には、長らく一つの弱点がありました。研究チームごとに、独自の音響パラメータを選び、独自の方法で抽出してきたため、研究どうしの結果を比較したり、積み上げたりすることが難しかったのです^[2]。

この状況を変えようとしたのが、研究者グループが2015年に提案した「共通の最小パラメータセット」です^[2]。声の研究に限らず、状態を読み取る取り組み全般に言えることですが、私たちも「良いチーム」を数値で語るために。生体データで見る会議の状態で紹介したように、何をどう測るかという「ものさし」を揃えることが、積み上げ可能な知見をつくる出発点になると考えています。

標準化にあたって重視されたこと

この共通パラメータセット（GeMAPS）は、力任せに大量のパラメータを詰め込むのではなく、次の3つの基準で絞り込まれました^[2]。

1. 01声を生み出す過程で、感情に伴う生理的な変化を指し示す可能性があるか
2. 02これまでの研究で価値が示されており、自動で抽出できるか
3. 03理論的な重要性があるか

name: GeMAPS
full_name: Geneva Minimalistic Acoustic Parameter Set
proposed_year: 2015
purpose: 音声研究・感情コンピューティング向けの共通最小パラメータセット
selection_criteria:
  - 感情に伴う生理的変化を指し示す可能性
  - 先行研究における実証された価値と自動抽出のしやすさ
  - 理論的重要性
公開方法: openSMILEツールキットとして公開
比較評価: INTERSPEECHチャレンジの大規模特徴量セットと比べても、規模の割に高い性能

比較の対象や結果を揃えられる共通の物差しができたことで、声を使った状態推定の研究は、互いの結果を積み重ねやすくなりました。では、その積み重ねの先に、私たちは何を知ることができているのでしょうか。

見えてきたこと、まだ見えていないこと

共通のものさし（GeMAPS）と、10年にわたる研究の蓄積によって、声から精神状態を読み取るための土台は整いつつあります。ただし、その内訳を見ると、日常業務のストレスや疲労とは性格の異なる研究が中心であることが分かります。

先のレビューが対象としたのは、主にうつ病・統合失調症・双極性障害といった、DSM-5で定義される精神疾患の臨床的な診断や重症度評価です^[1]。会議中の緊張や、日々の疲労の蓄積といった、健康な働く人の状態の揺らぎを直接調べたものではありません。

この違いを補うように、2024年に発表された新しい研究では、職場のストレスの「受け止め方」（それをどれだけ負担・脅威と感じるか）を、複数のデータを組み合わせた機械学習で予測する試みが報告されています^[3]（新しい研究）。静かな個室オフィスで48名の健康な成人を対象に約100分間の実験を行い、心拍変動や皮膚電気活動などの生理指標、手首の加速度、表情の映像、キーボードやマウスの操作を組み合わせたところ、ストレスの受け止め方をXGBoostモデルで82.78%の精度で予測できたといいます^[3]。適度なストレスは生産性や気分の向上と関連し、低すぎても高すぎても生産性や気分の低下と関連するという、Yerkes-Dodsonの法則に沿う結果も得られました^[3]。

この2024年の研究は、生理・行動・表情・操作データを組み合わせたマルチモーダル分析であり、音声・speechのデータは使われていません。声を手がかりにした職場のストレス推定を直接検証したものではなく、「複数のデータを組み合わせる」という方向性が、状態推定の精度を高めうることを示す新しい知見として紹介しています。また、静かな個室での短時間の実験室実験であり、雑音のある実際の会議室や、数週間・数か月にわたる日常業務にそのまま当てはまるとは限りません。

声そのものに感情や生理状態と結びつく音響的な特徴があることは、共通パラメータセットという形で理論的に整理されています。声を使った状態推定の研究も、10年以上の蓄積があります。しかし、それらの多くは臨床的な診断を目的にしており、健康な働く人の日常的なストレスや疲労を、声だけからどれくらい正確に読み取れるかは、まだ十分に実証されていないのが実情です。

まとめ：声は手がかりの一つであり、単独の測定器ではない

声には、状態を映す音響的な特徴が確かに存在すると考えられています。ただし、それを会議室や日常業務の中で、ストレスや疲労の「測定器」として単独で使えるところまでは、研究はまだ到達していません。私たちが状態を読み取る技術として、脳波・心拍に加えて音声やモーションセンサー、主観アンケートを組み合わせたマルチモーダルな解析を採っているのも、一つの信号だけに頼らないためです。声の変化に気づいたら、それを唯一の答えとせず、他の手がかりと突き合わせて確かめる。今日からできるのは、その姿勢を持つことです。