目次
耳元に装着する小さなマイクで、両耳に届く音を忠実に再現するのは容易ではありません。
本数も配置の自由度も限られ、再生の誤差を空間のどこに配分するかが問われるからです。
人の注意は多くの場合、正面の視野に集中します。
それなら前方を優先して誤差を配分すれば、聞こえは良くなるのでしょうか。
Berebi ら（2026）は、前方の視野を優先して音を合わせる重み付けによって、その範囲の再現が大きく改善し、計算量の大きい方式に迫る品質になることを示しました。
耳元のマイクで両耳の音を再現するのが難しいのはなぜか
ヘッドマウント型のマイクアレイで録音するとき、目指すのは、聞き手の両耳に実際に届くであろう音を再現することです。
耳に届く音の方向ごとの変化を決めるのが、頭部伝達関数（HRTF）です。
頭部伝達関数とは、音が特定の方向から来たとき、頭や耳の形による回折や反射によって、左右の耳に届くまでに生じる変化を表す関数のことです。
両耳の音をリアルに再現する鍵になります。
この「耳に届く音」を、ヘッドマウント型のアレイで録るのは難しいことです。
耳の近くに置けるマイクは数本しかなく、本来なら全方向の音を捉えたいのに、少数のマイクで近似するしかありません。
そこで使われるのが両耳信号マッチング（BSM）です。
両耳信号マッチングとは、少数のマイクの信号から両耳の信号を推定し、目標との二乗誤差が最小になる固定フィルタを設計する方式です。
信号に依存しない固定フィルタなので計算は軽い半面、誤差は空間全体に一様に配分されます。
両耳の音を録る考え方については、ダミーヘッド録音は正しい音の定位を再現できるかでも扱っています。
ここに課題があります。
人の注意は多くの場合、正面の視野に集中します。
AR の実用場面でも、聞き手が注目する音源は前方に限られることが多い。
それなら前方を優先して誤差を配分すれば、体感の忠実度を上げられるはずです。
この研究が提案したのが、視野情報付き両耳信号マッチング（FoVi-BSM）です。
FoVi-BSM とは、BSM の誤差評価に、前方の視野を優先する重みを対角行列として組み込んだ方式です。
固定フィルタという BSM の軽さを保ちながら、前方に誤差の少ない領域を作ります。
前方の視野を優先する効果は、どう確かめたのか
検証は、無響条件でのシミュレーション、残響と複数音源を含むシミュレーション、聴取試験という流れで進められました。
まず無響条件でのシミュレーションです。
マイクアレイには、7本のマイクを持つ試作のヘッドマウントアレイ（Project Aria）から、耳に近い位置のマイクを除いた5本の構成を使いました。
音源には広帯域の白色雑音を用い、目標となる両耳信号は、ダミーヘッド（KU100）で測定した頭部伝達関数から作りました。
評価は1625方向の密な格子（ルベデフ格子）の上で行いました。
無響条件を使ったのは、まず視野を優先する強さを決めるためです。
前方の視野は、60度と15度の範囲として設定しました。
FoVi-BSM には優先の強さを表す定数 β があり、この値を1.0から0.001まで対数的な間隔で振って、誤差の変化を調べました。
その上で、FoVi-BSM と従来の BSM を客観指標で比較しました。
指標は、再現誤差の総量を表す NMSE、振幅の誤差を表す MagErr、両耳の信号の差に関わる BSD、そして方向の手がかりである両耳間時間差（ITD）と両耳間レベル差（ILD）です。
両耳間時間差（ITD）とは、音が左右の耳に届く時間の差で、低い周波数帯の方向知覚の手がかりになる量です。
両耳間レベル差（ILD）とは、左右の耳に届く音の大きさの差で、同じく方向を知る手がかりです。
この二つは、再現した両耳信号が正しい方向感を与えるかを判断する指標になります。
次に、残響と複数音源を含むモンテカルロシミュレーションです。
実用の AR は、残響のある複雑な環境で複数の音源が鳴る場面で使われるからです。
音の反射を鏡像の音源として計算する鏡像法で部屋の残響を模擬し、無響条件と直方体の部屋を含む4つの部屋条件を用意しました。
話者の音声と周囲の雑音が混在する場面を200通り用意し、BSM、FoVi-BSM、そして信号に依存して直接音と拡散成分を分けて扱うパラメトリック方式（COMPASS-BSM）を比較しました。
残響の強さは、直接音と残響音の比（DRR）で表します。
空間の音をアレイで捉えて再現する考え方については、アンビソニックス信号から複数音源の方向を推定できるかも参考になります。
最後に聴取試験です。
客観指標の改善が実際の聞こえでも確認できるかを、16人の被験者で検証しました。
MUSHRA という方式で、隠し参照音源（高次アンビソニックスで作った参照音）と、BSM、COMPASS-BSM、FoVi-BSM を聴き比べ、総合品質を採点してもらいました。
音源は前方の視野内に置いた話者の音声とし、直接音と残響音の比（DRR）を変えた条件で行いました。
前方の視野を優先すると、何がどう変わるのか
まず重み付けの強さです。
β を1.0から0.001へと小さくするほど視野内の誤差は減り、0.01付近でほぼ横ばいになりました。
そこで β = 0.01 を採用しました。
この値は、視野内と視野外の誤差の差を大きく保ちつつ、視野外の重みも正の値に保って数値計算を安定させるものです。
無響条件では、FoVi-BSM の視野内の誤差（NMSE）は、BSM に比べて約 -10 dB 改善しました。
振幅の誤差（MagErr）も小さくなりました。
両耳の信号の差の誤差（BSD）も1 dBという弁別限界（JND）の内側に収まり、視野外の劣化はわずかでした。
方向の手がかりでは、前方の視野内で FoVi-BSM は両耳間レベル差（ILD）の誤差を1 dBの弁別限界内に収め、両耳間時間差（ITD）の誤差も弁別限界の付近まで減らしました。
これに対し、従来の BSM は視野内で ILD の誤差が5 dBを超えました。
残響と複数音源のシミュレーションでは、COMPASS-BSM は無響条件で最も誤差が小さかったものの、残響が強くなるほど誤差が増えました。
FoVi-BSM は誤差が安定し、中・大規模の部屋では COMPASS-BSM と同程度でした。
視野外の音源では、FoVi-BSM の誤差は BSM の基準とほぼ一致し、意図したとおりの空間的なトレードオフが確認されました。
聴取試験の総合品質スコアは次のとおりです。
FoVi-BSM と COMPASS-BSM は BSM より有意に高く評価されました。
全体では COMPASS-BSM が FoVi-BSM を10.16ポイント上回りました。
ただし、残響の少ない High DRR 条件に限ると、FoVi-BSM が82.19と COMPASS-BSM の79.44をわずかに上回り、いずれも高い評価でした。
残響が増えると FoVi-BSM のスコアは下がり、COMPASS-BSM が高い水準を保ちました。
この結論はどこまで言えるのか
この研究が示したのは、前方の視野を優先する重み付けが、客観指標と聴取試験の両方で再現品質を改善するということです。
ただし著者自身が明示する限界があります。
第一に、聴取試験は視野内の音源に限られています。
視野外の音源についての主観評価は、試験時間の制約から直接測られていません。
第二に、聴取試験では頭の動きの追跡（ヘッドトラッキング）を行っていません。
頭を動かしたときの振る舞いは評価の対象外です。
加えて著者は、最適な重み付けの強さをデータから自動で選ぶ方法、頭の動きに合わせて視野を動かす方法、残響場の知覚を表す指標による評価を、今回扱っていない点として挙げています。
この研究はどこに位置づけられるのか
両耳録音の分野では、少ないマイクでどれだけ忠実に空間の音を再現できるかが、長く問われてきました。
固定フィルタによる信号マッチングは計算が軽い一方、誤差を空間全体に一様に配分するため、少数のマイクでは性能に限界があると認識されてきました。
この研究は、その誤差の配分に「人の注意は前方に偏る」という前提を持ち込み、前方を優先する重み付けという形で実装した点に特徴があります。
信号に依存しない固定フィルタの枠組みを保ったまま前方の品質を引き上げるという方針は、計算量を増やさずに体感を改善する一つの道として位置づけられます。
同時に、視野外の音源の主観評価や頭の動きへの追従といった課題が明示されていることも、この研究の性格を形作っています。
参考資料
原典の主張は、Field-of-View Informed Binaural Signal Matching for Head-Worn Arrays をご参照ください。
