声の高さと文脈、どちらが『さ』『しゃ』の聞き分けに勝つか

「さ」と「しゃ」の中間のような音って、実際に存在する音なの？それとも実験用に作った音？

実験用に作られた音ですね。自然な日本語やオランダ語で「さ」と「しゃ」の中間音が普通に出現するわけではなく、研究者が意図的に合成した音です。 音声学の実験では、このような「両義的な音」を作ることで、聴き手がどちらに判断するかの分岐点を探ります。つまり、明確に「さ」でも「しゃ」でもない状態を意図的に作ることで、その判断が何に左右されるのかを浮き彫りにしようとしているわけです。 このやり方の意図は重要で、もし音が完全に「さ」か「しゃ」のどちらかだったら、文脈がいくら変わっても聞き手の判断は揺るがない。でも、曖昧な音だからこそ、文脈という情報が聞き手の脳に働きかけて、同じ音なのに「今はこう聞こえるはず」という予測が生まれるわけです。 実は私たちが日常で聞いている音声も、ノイズや話者の癖で完全には明確ではない部分が多いんです。その時、脳は文脈や周囲の情報を総動員して「おそらくこの言葉だろう」と判断している。この研究は、その脳の機能を実験室で再現したものと言えそうです。

騒がしい居酒屋で友人の話が聞き取りにくいのって、この『文脈が声の高さに引っ張られる』のが原因なのかな？

居酒屋の聞き取りにくさは、ちょっと別の問題かもしれません。 この研究が示しているのは、「文脈の声の高さが知覚を上書きする」という脳の柔軟性です。でも居酒屋の状況は、むしろ脳にノイズが混じっている状態。周囲の雑音が大きいと、友人の声そのものが物理的に埋もれてしまう。加えて、周りの多くの人が高めの声で話している環境では、脳が「今の文脈は高い声」と判断してしまい、友人の低めの発話までもが「さ」寄りに歪んで聞こえてしまう可能性はあります。 つまり、この研究の効果がそのまま当てはまるなら、むしろ悪い方向に作用してるということ。雑音で個人の声の特性が埋もれたうえに、居酒屋全体の「高い声の文脈」が脳の判断を引っ張ってしまう。声が聞き取りにくいというより、実は脳が文脈に揺さぶられて、友人の言葉を誤解しやすくなってる可能性も高そうです。

こういう『脳が環境を信じやすい』という性質って、進化の過程でいつ身についたものなんだろう？

進化のどの段階で身についたか、正確には分かりません。でも考えてみると、これって個人識別の精度より、その場その時の状況判断を優先する戦略なんですよね。 群れで生活していた祖先にとって、「あ、いま周りが騒がしい環境だ」と察知することは、「あいつはいつも低い声の奴だ」と覚えていることより、生存に直結していた。声の文脈を素早く読み取ることで、危険が迫ってるのか、食べ物が見つかったのか、捕食者が近いのか。その場のざわめきや音響環境から情報を抽出できる脳の方が、長期的な個人プロフィールより有利だった。 さらに言えば、人間は比較的最近になって、同じ相手と長く安定的に付き合う環境を手に入れたわけで、祖先の大半は流動的な集団のなかで生きていた。その時代が長いほど、「今この瞬間のコンテクストを最優先で処理する」という脳の癖が根深く刻まれていったのかもしれません。言語能力そのものが言語化できないくらい古いレイヤーで、環境応答型の聴覚処理が組み込まれてるのでしょう。

要するに『私たちは話者個人のクセより、その瞬間の空気を優先して聞く』ってことなの？

そう言い切るとちょっと強すぎるかもしれませんね。むしろ「その瞬間の空気が強く働く」という方が近い。 実験で見えたのは、文脈からの声の高さ情報が、話者個人の声の特性を上回ったという一点です。でも「優先する」と「無視する」は別。たとえば、あなたが友人の声を聞き間違えることはほぼない。これは個人差がちゃんと機能しているから。ただ、「さ」と「しゃ」の判断という、ボーダーラインの微妙な音では、瞬間の文脈がぐっと勝つということなんです。 言い換えれば、脳は常に「この人ならこの音」と構えていますが、その構えよりも「今この場面なら、こう聞こえるはずだ」という環境からの予測の方が、曖昧な音の判定では優位に立つ。スマートフォンの顔認証が、薄暗い場所では機能しにくくなるのに近いかもしれません。個人識別の精度より、その時点での光の条件が結果を変えるということ。つまり脳は、個人クセを完全に無視しているわけではなく、文脈という「より新しい情報」に引きずられやすいのだと言えそうです。

この研究結果って、外国語を習うときに『その人のアクセントを覚える』より『周りの環境音に慣れた方がいい』ってことを示唆してるの？

面白い視点ですが、ここで注意が必要な気がします。 この研究が示してるのは「聞き分け」の話で、脳がリアルタイムで音を判断するときのプロセスです。一方、外国語学習は「聞き分け能力をどう身につけるか」という別の問題。 たとえるなら、カメラが逆光で被写体を判定するときは周囲の光の方が強く影響するとしても、だからといって「写真家は個々の被写体の特性を学ぶな」という結論にはならないわけです。 実際のところ、外国語学習では「その人のアクセント」も「周りの環境音」も両方必要なんですよね。一人の話者のアクセントに何度も触れることで、その人の「文脈の読み方」が脳に蓄積される。すると、その人が話すときの文脈線索をより正確に拾えるようになります。 この研究で言えるのは、むしろ「学習者が覚えたアクセント知識だけに頼るな。文脈という環境情報も同時に処理しろ」という話に近いかもしれません。個人差を学ぶことも、環境に適応することも、両立してるのが自然な言語理解だと言えそうです。