赤ちゃんは、切れ目のない話し言葉から単語をどう見つけるのか

私たちが普段交わしている話し言葉を録音し、その音の波形を観察してみると、意外な事実に気づきます。文字で書かれた文章には単語と単語の間に「空白（スペース）」がありますが、実際の音声では、単語の境界ごとに必ず無音が入るわけではありません。それにもかかわらず、生後間もない赤ちゃんは、周囲の大人が話す切れ目のない音の連続から、驚くべき速さで「単語」を切り出して覚え始めます。

辞書も持たず、まだ言葉の意味も知らない乳児は、どのようにして音の塊から単語を見つけ出しているのでしょうか。近年の認知科学や発達心理学の研究により、赤ちゃんは音の並び方の確率的な規則性（統計的性質）を感じ取るだけでなく、母語のリズムや養育者の語りかけ、周囲の状況といった複数の手掛かりを組み合わせて単語の境界を見つけ出していることが分かってきました。本記事では、その中核となる仕組みを分かりやすく紐解いていきます。

話し言葉に「空白」はないのか――無音の手掛かりとその限界

文字テキストを見慣れている私たちは、「単語の切れ目には空白がある」という感覚を無意識に抱きがちです。英語の文章であれば単語ごとに明確なスペースが空けられていますし、日本語でも絵本などでは分かち書きが用いられることがあります。しかし、物理的な音波としての話し言葉には、文字のスペースに相当するような「単語ごとの無音区間」が必ずあるわけではありません。

もちろん、日常の会話の中で声が一切途切れないわけではありません。話し手が息を吸い込むときや、文の終わり、あるいは言葉に詰まって言い淀んだときなどには、明瞭な無音（ポーズ）が生じます。また、音声学的に見ると、「か行」や「た行」などの破裂音（閉鎖音）を発音する直前には、口腔内で空気の流れを一時的に遮断するため、数ミリ秒から数十ミリ秒程度のごく短い無音区間（閉鎖区間）が物理的に生じます。

しかし、重要なのは「これらの無音が単語の境界と一致しているとは限らない」という点です。たとえば、単語の途中に破裂音が含まれていれば単語の内部に無音区間が生じますし、逆に単語と単語の境目であっても、滑らかに発音されれば音は途切れることなく次の単語へとつながります。つまり、物理的な無音（ポーズ）の有無だけを手掛かりにして、話し言葉の中から単語を安定して切り出すことは原理的に困難なのです。

乳児は、胎児期の後半から母親の胎内でくぐもった音を耳にしており、母語の全体的な抑揚やリズムをある程度経験していることが知られています。したがって、生まれた瞬間の言語経験が完全にゼロというわけではありません。しかし、個別の単語がどこで始まりどこで終わるのか、その単語が何を意味するのかという具体的な語彙の知識については、最初は全く持ち合わせていません。

辞書を持たない赤ちゃんが、連続して流れてくる未知の音声ストリームから単語を切り出すという課題は、言語発達の研究において「語境界抽出（ワード・セグメンテーション）」と呼ばれます。切れ目のない音の帯から、意味のある単位をどうやって切り分けていくのか。この難問を解く鍵の一つが、音と音が連なる規則性を捉える知覚能力です。

音の並びやすさを捉える――遷移確率の仕組みと人工音声実験

話し言葉に物理的な空白がないとすれば、赤ちゃんは何を手掛かりにしているのでしょうか。その有力な答えの一つが、音節と音節の「並びやすさ」の偏り、すなわち統計的な規則性です。

遷移確率の仕組み――音節の並びやすさの偏り

私たちが話す言語において、ある音の後に特定の音が続く確率は、単語の内部か単語の境界かによって大きく異なります。この「ある音（音節 A）の後に別の音（音節 B）が続く確率」のことを「遷移確率（transitional probability）」と呼びます。条件付き確率の考え方を用いると、遷移確率は次のような計算式で定義されます。

P(B|A) = \frac{\text{音節列 } AB \text{ の出現頻度}}{\text{音節 } A \text{ の総出現頻度}}

この式は、「音節 A が現れたすべての回数のうち、直後に音節 B が続いた割合」を表しています。

この仕組みを直感的に理解するために、3音節からなる架空の単語「パトキ」と「ルメサ」の2語だけを使う人工音声を考えます。各回、どちらの語が来るかを独立に、等しい確率で選びます。同じ語が続くこともあり、選ばれた語は無音を挟まずに繰り返し流れるという説明用の条件です。

単語「パトキ」の内部に注目すると、「パ」という音の後には、ルール上必ず「ト」が続きます。したがって、「パ」の後に「ト」が来る遷移確率は 1.0（100%）です。同様に、「ト」の後には必ず「キ」が続くため、「ト」の後に「キ」が来る遷移確率も 1.0（100%）になります。単語「ルメサ」の内部でも、「ル」の後に「メ」が来る確率、「メ」の後に「サ」が来る確率はともに 1.0 です。

この人工音声では、語の終わりの「キ」の次に「パトキ」が再び来る場合と「ルメサ」が来る場合が、それぞれ独立に同じ確率で起こります。そのため「キ」の後に「パ」が来る確率と「ル」が来る確率は、それぞれ0.5（50%）です。実際の言語で常に0.5になるという意味ではありません。

つまり、音の連続を注意深く観察すると、「単語の内部にある音節のつながり（パ→ト、ト→キ）」は遷移確率が非常に高くなり、「単語と単語の境界をまたぐ音節のつながり（キ→パ、キ→ル）」は遷移確率が相対的に低くなるという統計的な性質が現れます。音の連なりの中で遷移確率がガクンと落ち込む「谷」の部分こそが、単語の切れ目である可能性が高いのです。

ただし、ここで注意しなければならないのは、現実の自然言語において、すべての単語境界で常にこのような綺麗な「確率の谷」が現れるわけではないという点です。自然言語には単語の長さの違いや、極めて頻繁に使われる言葉の結びつき（連語）、1音節の短い単語などがあり、確率の分布はより複雑です。それでも、音の並び方の偏りという統計的性質は、単語の境界を特定するための極めて強力な手掛かりとなります。

人工音声実験が示した乳児の知覚反応

では、まだ言葉を話せない人間の赤ちゃんは、実際にこのような音の遷移確率の違いを感じ取ることができるのでしょうか。この問いを検証した画期的な研究が、サフラン（Saffran）、アスリン（Aslin）、ニューポート（Newport）らによって1996年に発表された実験です。

研究チームは、生後8か月の乳児を対象に、遷移確率以外のあらゆる手掛かりを排除した人工言語の実験を行いました。通常の話し言葉には、声の高さの変化（抑揚やピッチ）、リズム、強弱、息継ぎのポーズなどが含まれます。もしこれらの手掛かりが存在すると、乳児が音響的な特徴に反応したのか、それとも音の並びやすさに反応したのかを区別できません。

そこで実験では、コンピュータ合成によって完全に一定の高さ、一定の強さ、一定のテンポで発音され、音と音の間に一切のポーズがない均一な人工連続音声を作成しました。この音声ストリームの中には、先ほど紹介したモデルのように、特定の音節の組み合わせだけが高い遷移確率で結ばれるような規則性が埋め込まれていました。

生後8か月の乳児にこの単調な連続音声を一定時間聴かせた後、学習に用いられた「単語内の音節列（遷移確率が高いまとまり）」と、複数の単語にまたがる「境界またぎの音節列（遷移確率が低いまとまり）」を個別に聞かせ、乳児がそれぞれの音列に対してどのくらい長く注意を向けるか（注視時間）を測定しました。

その結果、乳児は遷移確率の高い音列と低い音列に対して、有意に異なる反応（知覚的な弁別を示す反応）を見せました。ポーズや抑揚といった物理的な手掛かりが何一つ存在しない均一な音声であっても、乳児は音節の並びやすさという統計的規則性だけを手掛かりにして、音列のまとまりを区別しうる反応を示したのです。

この結果を解釈する際には、慎重な科学的態度が必要です。「生後8か月の赤ちゃんが確率の計算式を頭の中で解いた」とか「言葉の意味を理解した」と解釈するのは明らかな誤りです。乳児の内面で意識的な推論が行われたわけではなく、人間の脳が持つ知覚システムが、入力される環境音の共起頻度や反復パターンに対して鋭敏に反応した結果であると考えられます。乳児は、意識的な計算を行うことなく、音の連なりの中に潜む統計的な偏りを敏感に捉え、まとまりとして抽出する知覚的能力を備えているのです。

複数の手掛かりを重ね合わせる――リズム・抑揚・共同注意

人工音声実験は、乳児が音の統計的規則性だけでまとまりを区別しうることを証明しました。しかし、実際の生活環境において、乳児が統計情報「だけ」に頼って単語を見つけているわけではありません。日常の言語獲得において、乳児は音の並びやすさに加えて、言語のリズム、話し手の抑揚、周囲の視覚的な状況など、重複して存在する複数の手掛かりを柔軟に組み合わせて語境界を抽出しています。

発達心理学者のジャスチック（Jusczyk, 1999）らが指摘するように、言語獲得の現場では複数の手掛かりが重層的に機能しています。代表的な手掛かりには次のようなものがあります。

第一に、母語特有の「リズムとアクセント」です。言語によって、単語の中でどの部分が際立つかという音響的規則は異なります。たとえば英語では、多くの単語において最初の音節に強いアクセント（強勢）が置かれる傾向があります。一方、日本語では強弱ではなくピッチの「高低アクセント」や、規則的な時間の刻みである「拍（モーラ）」がリズムの基本となります。乳児は日々の生活の中で母語特有のリズムパターンに親しみ、それを単語の切れ目を予測する手掛かりとして利用するようになります。ただし、言語によってどの手掛かりが有効であるかは異なり、すべての言語の乳児が同じ月齢で同じようにリズムを手掛かりにするわけではありません。

第二に、「対乳児発話（乳児向け発話）」の音響的特徴です。大人が赤ちゃんに話しかけるとき、自然と声のトーンが高くなり、抑揚の起伏が大きくなり、話す速度がゆっくりになる傾向が見られます。この対乳児発話に見られるゆったりとしたリズムや誇張されたメロディは、単語の輪郭を際立たせ、乳児が音のまとまりを捉えやすくする補助的な役割を果たします。ただし、これはあらゆる文化で画一的に見られる絶対的な法則ではなく、語りかけの傾向として理解すべきものです。

第三に、「周囲の状況と共同注意（ジョイント・アテンション）」です。大人が「あ、ワンワンだね」と言いながら指をさしたり、視線を向けたりするとき、乳児も同じ対象へと視線を向けます。視覚的な対象への注目と、その瞬間に聞こえた音声とが結びつくことで、単語の輪郭を推測しやすくなります。ただし、視線が一致したからといって、それだけで音声の中から単語の境界や意味が直ちに確定・網羅されるわけではありません。視線や状況はあくまで、音の知覚を支援する文脈的手掛かりの一つです。

さらに、乳児は自分の名前など、日常で頻繁に耳にしてすでに親しみを持っている「既知の言葉」を足がかり（アンカー）にして、その前後に続く未知の音声を切り分けることもあります。

このように、乳児の語境界抽出は、統計的規則性という知覚的な基盤の上に、母語のリズム、養育者の抑揚、社会的文脈といった多様な情報が重なり合い、相互に補完し合うことで成り立っています。

統計学習の広がりと言語獲得の全体像

音節の遷移確率を捉える能力は、一般に「統計学習（statistical learning）」と呼ばれます。この統計学習は、言葉の音節を切り分けるためだけに用意された、言語専門の特殊な装置なのでしょうか。

サフラン（Saffran, 2020）らの研究動向が示すように、現代の認知科学において、統計学習は言語に限定されない「領域一般的なパターン学習能力」として位置づけられています。乳児は、耳から入る音節列だけでなく、連続して提示される視覚的な幾何学模様の並びや、音楽の音符の連なり、さらには他者の身体動作の連続パターンに対しても、刺激同士の共起頻度や規則性を敏感に捉えることが分かっています。つまり統計学習とは、混沌とした外界の情報の中から反復する秩序を見つけ出す、人間に備わった普遍的な情報処理能力の一つなのです。

しかし、ここで極めて重要な境界線を引いておく必要があります。それは、「短い人工言語実験での語境界抽出の成功」と、「日常環境における言語獲得の全体像」を混同してはならないという点です。

まず、実験室の環境と日常の言語環境には大きな隔たりがあります。実験室の人工音声は、雑音のない静かな空間で、一人の話者（合成音声）によって、一定のテンポと均一な長さの単語で発音されます。一方、実際の家庭環境では、テレビの音や物音などの生活雑音が混ざり、複数の人物が異なる声質や話速で話し、言葉の長さも不揃いで、言い淀みや発音の崩れ、音の脱落が日常的に起こります。このような複雑でノイズに満ちた日常の中で単語を安定して切り出すためには、実験室のような単純な統計処理だけでなく、前述した多様な手掛かりの統合が不可欠です。

さらに根本的な問題として、単語の音のまとまりを切り出せたとしても、それだけで「言葉の獲得」が完結するわけではありません。切り出された音の塊が外界の何を表しているのかを結びつける「意味の獲得（語意の獲得）」や、複数の単語を組み合わせて文をつくる「文法規則の獲得」には、他者の意図を理解する社会的な相互作用や、より高度な概念的発達が必要です。

人工言語実験が証明したのは、乳児が連続音声から統計的にまとまりを検出する優れた知覚基盤を持っているという事実であり、言語獲得という広大な営みの全体をそれだけで説明できるわけではありません。統計学習は、言語獲得という壮大な山を登るための、確かな「最初の一歩」として位置づけられます。

操作ツールの見方と注意点――区切り候補を比較する

本記事のテーマである「切れ目のない音からどうやって単語を見つけるか」という課題を、読者自身が直感的に体験できるように設計された教材が、以下の操作ツールです。

この操作ツール（word-segmentation--tool-01）に向き合うにあたっては、その目的と限界を正しく理解しておくことが大切です。

第一に、このツールは科学実験の完全な再現環境でもなければ、利用者の聴力や乳児の知覚能力を測定するための検査ツールでもありません。ツール上で提示される音節列に対して、「どこで区切るか」という異なる区切り方の候補（案A・案Bなど）を並べて表示し、区切り候補の違いによって音のまとまりや構造がどのように変化して知覚されるかを比較・体験するための「模式的な教材」として設計されています。

第二に、画面上に表示されている文字列そのものは、出現頻度や統計的な確率データを持っているわけではありません。そのため、表示されている区切り案のうち、特定の候補（たとえば案Aなど）が「客観的な統計的正解」であるかのように誤認しないよう注意が必要です。ツール上の選択肢は、あくまで境界の置き方によって生じる構造の違いを対比するための並列的なモデルにすぎません。

第三に、ツールにおいて音声再生機能を利用する場合の仕様です。音声素材を使用する際は、画面に表示されている文字列と一字一句正確に一致させ、合成音声または利用許諾の得られた音源を使用するとともに、その刺激の作成手順を明確に記録することが求められます。また、利用者が自身の意思で操作して確認できるよう、ツールの起動時に音声を勝手に流す自動再生は行わず、手動による明示的な再生操作に限定されています。

ツールを操作する際は、単にどちらが正解かを探すのではなく、「切れ目のない同じ文字列であっても、区切る位置の仮説が異なると、全体の構造が全く違って見えてくる」という分節化の本質を体感するための道具として活用してください。

よくある疑問（FAQ）

読者が抱きがちな疑問について、本文で詳しく触れなかった視点から簡潔に整理します。

Q1：赤ちゃんは頭の中で意識的に確率の計算を行っているのですか？ いいえ、意識的な計算を行っているわけではありません。大人が確率の公式を使って紙や電卓で計算するように、乳児が「この音の次は確率何％だから単語だ」と考えているわけではありません。人間の知覚システムは、環境から繰り返し入力される刺激の共起パターンに対して自然に適応し、結びつきの強い音列を知覚的にひとまとまりとして処理する特性を持っています。意識的な思考ではなく、知覚レベルでの環境適応の仕組みとして理解するのが正確です。

Q2：実際の日本語や英語の会話は、遷移確率の計算だけで完全に単語を切り分けられますか？ いいえ、統計的な遷移確率だけで完全に切り分けることはできません。現実の自然言語では、単語境界をまたぐ遷移確率が偶然高くなってしまう組み合わせや、1音節だけで構成される単語、文脈によって発音が大きく崩れる現象などが頻繁に生じます。そのため、遷移確率という統計的手掛かりを土台にしつつも、言語固有のリズムやアクセント、対乳児発話の抑揚、視線や文脈といった複数の手掛かりが同時に働くことで、初めて安定した単語の切り出しが可能になります。

Q3：統計学習によって単語のまとまりを切り出せれば、それだけですぐに言葉を話せるようになりますか？ いいえ、単語の音のまとまりを切り出すこと（語境界抽出）と、言葉を理解して話せるようになること（言語獲得）の間には、大きなステップがあります。音のまとまりを検出した後は、その音が周囲のどの事物や動作を指しているのかという「意味」を結びつけなければなりません。さらに、それらの単語を文として組み立てる文法の習得や、発声器官の身体的な成熟も必要です。統計学習は、言語を獲得するための重要な基盤ですが、言語発達全体は養育者との対話や社会的環境の中で徐々に育まれていきます。

切れ目のない話し言葉のストリームから、辞書も持たない赤ちゃんが単語を見つけ出すプロセス。それは、単一の奇跡的な能力によって達成されるものではなく、音の並びやすさという統計的規則性を鋭く捉える知覚能力と、母語のリズム、養育者の豊かな語りかけ、周囲の状況といった多様な手掛かりが精巧に重なり合うことで実現されています。

人工言語実験が示した知見は、人間の知覚が持つ環境への適応力の高さを鮮明に描き出しました。しかし同時に、日常の言語獲得は実験室のモデルをはるかに超えて、豊かな社会的文脈の中で進んでいきます。科学的な原理と慎重な留保の双方を正しく見つめることで、私たちが言葉を獲得していく最初の歩みの奥深さが、より鮮やかに見えてくるはずです。